[论文解读] AdvectiveNet: An Eulerian-Lagrangian Fluidic reservoir for Point Cloud Processing

Xingzhe He, Helen Lu Cao+1 more|arXiv (Cornell University)|Jan 31, 2020

Computer Graphics and Visualization Techniques参考文献 51被引用 4

一句话总结

AdvectiveNet 提出了一种新颖的欧拉-拉格朗日流体储水库，用于点云处理，通过受流体动力学启发的速度场中的学习性平流来建模特征演化。该方法在 ModelNet40 和 ShapeNet 上实现了最先进性能，且参数量显著少于现有方法。

ABSTRACT

This paper presents a novel physics-inspired deep learning approach for point cloud processing motivated by the natural flow phenomena in fluid mechanics. Our learning architecture jointly defines data in an Eulerian world space, using a static background grid, and a Lagrangian material space, using moving particles. By introducing this Eulerian-Lagrangian representation, we are able to naturally evolve and accumulate particle features using flow velocities generated from a generalized, high-dimensional force field. We demonstrate the efficacy of this system by solving various point cloud classification and segmentation problems with state-of-the-art performance. The entire geometric reservoir and data flow mimics the pipeline of the classic PIC/FLIP scheme in modeling natural flow, bridging the disciplines of geometric machine learning and physical simulation.

研究动机与目标

• 为解决点云学习中构建有效卷积模板和演化非线性特征的挑战。
• 通过将点云处理建模为流体平流问题，弥合几何机器学习与物理模拟之间的鸿沟。
• 开发一种混合欧拉-拉格朗日框架，利用成熟的计算流体动力学基础设施服务于深度学习。
• 通过在物理解释的储水库中嵌入特征演化，实现高效、低参数的学习。
• 证明物理启发的储水库可在点云分类与分割任务中达到或超越 SOTA 性能。

提出的方法

• 该方法使用静态欧拉网格表示世界空间中的结构，同时利用拉格朗日粒子追踪演化特征。
• 特征演化由学习到的速度场中的平流控制，模拟流体对流，实现非线性特征分离。
• 粒子-网格转换采用受计算流体动力学中 PIC/FLIP 方法启发的插值方案。
• 系统使用广义的高维力场生成引导粒子运动和特征累积的速度场。
• 整个网络作为物理储水库运行，训练等价于寻找最小化损失能量函数的最优控制力。
• 该架构通过欧拉网格支持全局快速卷积，并通过拉格朗日粒子追踪非线性特征演化。

实验结果

研究问题

• RQ1 具有欧拉-拉格朗日对偶性的物理启发流体储水库是否能提升点云特征学习？
• RQ2 如何将流体动力学原理（如平流与粒子追踪）适配以增强点云网络中的特征表示？
• RQ3 混合网格-粒子系统是否能在参数更少的情况下超越现有基于点或基于网格的网络？
• RQ4 PIC/FLIP 数值框架在多大程度上可被重新用于几何数据的深度学习？
• RQ5 通过物理平流动力学进行学习是否能带来点云任务中更好的泛化能力与性能？

主要发现

• 在 ModelNet10 上，AdvectiveNet 达到 95.4% 的准确率，超越使用基于网格表示的最先进方法。
• 在 ModelNet40 上，其准确率达到 92.8%，与 DGCNN（92.9%）相当，但仅使用 100 万参数，远低于 DGCNN 的 2100 万参数。
• 在 ShapeNet 部分分割任务中，AdvectiveNet 达到 86.2% 的 mIoU，优于所有基于点的基线方法，且仅使用 110 万参数和 2 个时间步。
• 该方法展现出卓越的参数效率，相比 PointCNN 和 DGCNN 等 SOTA 模型，参数量减少 4% 至 25%。
• 分割过程的可视化显示了连贯且物理解释合理的特征演化过程。
• 该框架成功模拟了 PIC/FLIP 流体模拟流程，实现在高维空间中稳定且高效的特征传播。