[论文解读] Learning 3D Representations from 2D Pre-trained Models via Image-to-Point Masked Autoencoders

Renrui Zhang, Liuhui Wang+3 more|arXiv (Cornell University)|Dec 13, 2022

3D Shape Modeling and Analysis被引用 7

一句话总结

该论文提出 I2P-MAE，一种自监督 3D 表征学习框架，通过图像到点云的掩码自编码，将 2D 预训练模型的知识迁移至 3D 点云。通过利用多视角 2D 特征和显著性图进行 2D 引导的掩码以及 2D 语义重建，I2P-MAE 在 ModelNet40 上实现了无需微调的 93.4% 线性 SVM 准确率，在 ScanObjectNN 的最难划分上达到 90.11%，相比之前的方法提升 +3.68%。

ABSTRACT

Pre-training by numerous image data has become de-facto for robust 2D representations. In contrast, due to the expensive data acquisition and annotation, a paucity of large-scale 3D datasets severely hinders the learning for high-quality 3D features. In this paper, we propose an alternative to obtain superior 3D representations from 2D pre-trained models via Image-to-Point Masked Autoencoders, named as I2P-MAE. By self-supervised pre-training, we leverage the well learned 2D knowledge to guide 3D masked autoencoding, which reconstructs the masked point tokens with an encoder-decoder architecture. Specifically, we first utilize off-the-shelf 2D models to extract the multi-view visual features of the input point cloud, and then conduct two types of image-to-point learning schemes on top. For one, we introduce a 2D-guided masking strategy that maintains semantically important point tokens to be visible for the encoder. Compared to random masking, the network can better concentrate on significant 3D structures and recover the masked tokens from key spatial cues. For another, we enforce these visible tokens to reconstruct the corresponding multi-view 2D features after the decoder. This enables the network to effectively inherit high-level 2D semantics learned from rich image data for discriminative 3D modeling. Aided by our image-to-point pre-training, the frozen I2P-MAE, without any fine-tuning, achieves 93.4% accuracy for linear SVM on ModelNet40, competitive to the fully trained results of existing methods. By further fine-tuning on on ScanObjectNN's hardest split, I2P-MAE attains the state-of-the-art 90.11% accuracy, +3.68% to the second-best, demonstrating superior transferable capacity. Code will be available at https://github.com/ZrrSkywalker/I2P-MAE.

研究动机与目标

• 解决大规模 3D 数据集稀缺的问题，以促进高质量 3D 表征学习。
• 利用预训练模型中的鲁棒 2D 视觉特征，提升 3D 表征学习性能，而无需依赖大规模 3D 数据集。
• 开发一种自监督的 3D 预训练方法，将 2D 图像中的高层语义知识迁移至 3D 点云。
• 通过在掩码自编码中整合 2D 语义引导，提升 3D 表征的泛化能力和可迁移性。

提出的方法

• I2P-MAE 使用非对称编码器-解码器 Transformer 架构，对点云进行 3D 掩码自编码。
• 将输入点云投影为多视角深度图，从现成的 2D 模型中提取 2D 特征和显著性图。
• 采用 2D 引导的掩码策略，利用反投影的 2D 显著性图作为空间引导，保留语义上重要的点标记。
• 模型同时重建被掩码的 3D 坐标和可见标记的 2D 特征，从而实现来自 3D 几何和 2D 语义的双重监督。
• 通过拼接方式聚合多视角 2D 特征，以保留用于重建的多样化语义信息。
• 该框架支持自监督预训练，既能继承丰富的 2D 知识，又能学习 3D 结构。

实验结果

研究问题

• RQ1 在缺乏大规模 3D 数据集的条件下，能否有效利用 2D 预训练模型来提升 3D 表征学习？
• RQ2 如何将 2D 语义知识迁移至 3D 掩码自编码中，以提升重建质量和特征质量？
• RQ3 与随机掩码相比，2D 引导的掩码是否能更好地保留关键的 3D 结构？
• RQ4 是否可以通过并行的 2D 语义重建提升 3D 特征的判别能力？
• RQ5 投影视角数量如何影响图像到点云预训练框架的性能？

主要发现

• I2P-MAE 在 ModelNet40 上实现了 93.4% 的线性 SVM 准确率，无需任何微调，性能与之前方法完全训练的模型相当。
• 在 ScanObjectNN 的最难划分上，I2P-MAE 达到 90.11% 的准确率，比第二好的方法提升 +3.68%。
• 可视化和消融实验表明，2D 引导的掩码策略比随机掩码更能保留语义上重要的 3D 结构。
• 使用三个投影视角的性能优于一个或两个视角，因为能减少遮挡并实现更完整的 3D 形状感知。
• 将多视角 2D 特征拼接用于重建，优于平均化或使用最大/最小值，能更好地保留丰富语义。
• 在 ModelNet40 上，'Add' 和 'Concat' 池化策略分别在全局特征汇总中表现最佳。