[论文解读] PRIN: Pointwise Rotation-Invariant Network.

Yang You, Yujing Lou+5 more|arXiv (Cornell University)|Nov 23, 2018

3D Shape Modeling and Analysis参考文献 9被引用 16

一句话总结

PRIN 提出了一种新颖的逐点旋转不变神经网络，用于三维点云分析，通过密度感知自适应采样构建球面信号、球面体素卷积以及点重采样，实现旋转不变性。该方法在未经数据增强的旋转点云上优于最先进方法，且具有旋转不变性的理论依据。

ABSTRACT

Point cloud analysis without pose priors is very challenging in real applications, as the orientations of point clouds are often unknown. In this paper, we propose a brand new point-set learning framework PRIN, namely, Pointwise Rotation-Invariant Network, focusing on rotation-invariant feature extraction in point clouds analysis. We construct spherical signals by Density Aware Adaptive Sampling to deal with distorted point distributions in spherical space. In addition, we propose Spherical Voxel Convolution and Point Re-sampling to extract rotation-invariant features for each point. Our network can be applied to tasks ranging from object classification, part segmentation, to 3D feature matching and label alignment. We show that, on the dataset with randomly rotated point clouds, PRIN demonstrates better performance than state-of-the-art methods without any data augmentation. We also provide theoretical analysis for the rotation-invariance achieved by our methods.

研究动机与目标

• 解决真实应用场景中点云在未知或随机方向下的分析挑战。
• 开发一种深度学习框架，直接从无序点云中学习旋转不变特征。
• 消除对数据增强或姿态先验的依赖，以实现对旋转的鲁棒性。
• 在包括分类、部件分割和特征匹配在内的多种三维任务中实现一致的性能表现。

提出的方法

• 通过密度感知自适应采样构建球面信号，以在球面空间中归一化扭曲的点分布。
• 引入球面体素卷积，通过聚合球面邻域信息提取局部旋转不变特征。
• 应用点重采样以通过空间重组织优化特征表示并增强不变性。
• 设计一种逐点网络架构，对每个点独立处理，并采用旋转等变操作。
• 利用球坐标变换将几何不变性嵌入特征学习过程。
• 提供理论分析，证明所提出的特征提取流程具有旋转不变性。

实验结果

研究问题

• RQ1 点云网络是否能在不依赖数据增强或姿态监督的情况下实现旋转不变性？
• RQ2 球面信号构建如何缓解非均匀点分布带来的失真？
• RQ3 哪些架构组件能够有效支持点云中旋转不变特征的学习？
• RQ4 所提出方法在旋转点云基准测试中与最先进方法相比表现如何？
• RQ5 所提出网络组件旋转不变性的理论基础是什么？

主要发现

• PRIN 在无需任何数据增强的情况下，相较于最先进方法在旋转点云数据集上表现更优。
• 该网络在包括物体分类、部件分割和三维特征匹配在内的多种三维任务中均保持高精度。
• 球面体素卷积与点重采样显著提升了特征对旋转的鲁棒性。
• 密度感知自适应采样有效减少了球面表示中的几何失真。
• 理论分析证实，网络设计可确保特征学习过程中的旋转不变性。
• 实证结果表明，在随机旋转设置下，标准基准测试中均表现出一致的性能提升。