[论文解读] NeuralSampler: Euclidean Point Cloud Auto-Encoder and Sampler
NeuralSampler 提出了一种用于 3D 点云的全卷积自编码器，该方法将形状生成与表面采样解耦，通过可学习的采样层实现任意大小的输出点云。它在点云分类和超分辨率任务中实现了最先进性能，参数量不足先前方法的一半，采用体素化占据图和欧几里得网格上的基于特征的采样。
Most algorithms that rely on deep learning-based approaches to generate 3D point sets can only produce clouds containing fixed number of points. Furthermore, they typically require large networks parameterized by many weights, which makes them hard to train. In this paper, we propose an auto-encoder architecture that can both encode and decode clouds of arbitrary size and demonstrate its effectiveness at upsampling sparse point clouds. Interestingly, we can do so using less than half as many parameters as state-of-the-art architectures while still delivering better performance. We will make our code base fully available.
研究动机与目标
- 为解决 3D 点云学习中生成模型输出尺寸固定的局限性，该局限性限制了动态分辨率调整并增加了训练复杂度。
- 在不牺牲性能的前提下，减少 3D 点云自编码器的模型参数量，特别是在上采样和表征学习方面。
- 通过将形状表征与采样解耦，实现任意大小点云的生成，从而在推理过程中实现动态分辨率调整。
- 通过轻量化、参数高效的架构，利用基于网格的特征学习，提升稀疏点云的超分辨率性能。
提出的方法
- 该模型使用体素网格表示输入点云，对每个体素编码占据概率和局部几何特征。
- 全卷积编码器处理体素网格，生成编码表面区域和相对于体素中心局部位置的潜在向量。
- 可学习采样层从潜在向量生成 3D 偏移量，生成非确定性的点集，其基数取决于估计的表面区域。
- 解码器可多次传递以生成更高分辨率的点云，从而实现单次前向传播生成任意大小的输出。
- 该架构采用类似折叠的解码器并共享权重，减少参数量的同时保持高质量输出。
- 该方法通过标准重建损失进行端到端训练，训练期间通过随机旋转进行数据增强。
实验结果
研究问题
- RQ1深度自编码器能否在参数量显著少于现有方法的前提下，生成任意大小的 3D 点云？
- RQ2将形状生成与采样解耦在 3D 点云表征学习中如何提升灵活性和性能？
- RQ3基于网格的潜在表征在多大程度上能够实现稀疏点云的高质量超分辨率？
- RQ4参数高效的架构是否能在分类和超分辨率基准测试中超越当前最先进模型？
主要发现
- NeuralSampler 在 ModelNet10 和 ModelNet40 基准测试中实现了最先进性能，在分类准确率方面优于先前方法，且参数量显著更少。
- 在 ModelNet40 上，该模型的解码器仅使用 463,000 个参数——少于第二好的方法（Yang et al., 2018）的一半，且比基线方法（Achlioptas et al., 2018）少 20 倍。
- 在超分辨率任务中，NeuralSampler 在 Yu et al. (2018) 基准上实现了 0.54×10⁻² 的平均距离，优于 PointNet++ 和 PUNet，且在均匀性（NUC）方面与最佳性能相当，尽管未使用排斥损失。
- 即使在极低分辨率输入（如 256 个点）下，该模型仍能保持高质量输出，表现出对低分辨率输入的鲁棒性。
- 采样层支持动态分辨率控制：通过重复前向传播可生成逐级更密集的点云，从而实现任意空间分辨率。
- 基于网格的潜在表征实现了高效、轻量级的参数学习，同时保留了精细几何细节，尤其在粗粒度体素网格上表现更优。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。