[论文解读] Rethinking the compositionality of point clouds through regularization in the hyperbolic space
本文提出 HyCoRe，一种新颖的正则化方法，通过将点云特征嵌入双曲空间，显式建模 3D 物体的树状组合层次结构。通过利用双曲空间的曲率来表示整体-部分关系，该方法在 ModelNet40 和 ScanObjectNN 上显著提升了分类准确率，仅通过极少的架构修改和黎曼优化，便超越了当前最先进模型。
Point clouds of 3D objects exhibit an inherent compositional nature where simple parts can be assembled into progressively more complex shapes to form whole objects. Explicitly capturing such part-whole hierarchy is a long-sought objective in order to build effective models, but its tree-like nature has made the task elusive. In this paper, we propose to embed the features of a point cloud classifier into the hyperbolic space and explicitly regularize the space to account for the part-whole hierarchy. The hyperbolic space is the only space that can successfully embed the tree-like nature of the hierarchy. This leads to substantial improvements in the performance of state-of-art supervised models for point cloud classification.
研究动机与目标
- 解决欧几里得空间和球面空间在表示 3D 点云固有的树状整体-部分层次结构方面的局限性。
- 通过显式正则化特征嵌入以反映组合关系，提升监督式点云分类性能。
- 证明双曲几何相较于传统平坦或正曲率空间，能更有效地建模 3D 数据中的层次结构。
- 提供一种可插拔的正则化器，兼容现有架构，仅需修改分类头和使用黎曼优化。
- 通过实证验证，双曲空间中的测地线路径会经过共同祖先部分，确认组合结构的出现。
提出的方法
- 该方法将点云分类器的最终特征表示嵌入双曲空间的庞加莱球模型中。
- 应用一种新颖的正则化器，促使整体对象与其组成部分之间的距离在双曲空间的测地线路径上最小化。
- 正则化器强制从整体对象到其组成部分的测地线路径经过它们的共同祖先，从而强化层次结构。
- 该方法使用黎曼优化在双曲空间中训练网络，以保持曲率诱导的表征能力。
- 该方法与架构无关，可通过将最终分类层替换为双曲线性层，应用于任何点云模型。
- 双曲空间的曲率通过可学习或固定的曲率参数控制，消融实验表明在较高曲率下性能最佳。
实验结果
研究问题
- RQ1双曲空间能否有效表示 3D 点云中树状组合层次结构，而欧几里得和球面空间无法捕捉？
- RQ2在双曲空间中正则化特征嵌入是否能提升点云分类的泛化能力和鲁棒性？
- RQ3双曲空间中的测地线路径能否用于推理过程中验证整体-部分关系的出现？
- RQ4双曲空间中曲率的选择如何影响正则化模型的性能？
- RQ5该方法能否在不进行架构大规模重构的情况下应用于现有最先进模型，并在不同数据集上提升性能？
主要发现
- HyCoRe 在 ModelNet40 和 ScanObjectNN 上均达到最先进性能，超越了先前最佳结果。
- 在 ModelNet40 上，当对极稀疏点云进行分类时，HyCoRe 将 DGCNN 的准确率提升了高达 20 个百分点。
- 该方法对部分或子采样输入表现出更优的鲁棒性，能够从空间上连续的小部分正确识别物体。
- 复合部分的双曲范数随复杂度增加而增大，整体对象的范数最高（最接近边界），证实了层次结构的存在。
- 消融实验表明，结合两种正则化器可获得最佳性能，且较高曲率值（如 c=1）优于极低曲率。
- 整体对象与其组成部分之间的测地线路径始终经过共享的祖先部分，验证了组合推理的出现。
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。