[论文解读] SoftPoolNet: Shape Descriptor for Point Cloud Completion and Classification

Yida Wang, David Joseph Tan+2 more|arXiv (Cornell University)|Aug 17, 2020

3D Shape Modeling and Analysis参考文献 26被引用 5

一句话总结

SoftPoolNet 引入了一种新颖的软池化机制和区域卷积，以增强点云处理中的特征学习，实现了三维点云补全和分类任务的最先进性能。通过保留多个高激活特征并使用区域感知的反卷积类似操作，该方法在重建保真度和效率方面优于现有方法。

ABSTRACT

Point clouds are often the default choice for many applications as they exhibit more flexibility and efficiency than volumetric data. Nevertheless, their unorganized nature -- points are stored in an unordered way -- makes them less suited to be processed by deep learning pipelines. In this paper, we propose a method for 3D object completion and classification based on point clouds. We introduce a new way of organizing the extracted features based on their activations, which we name soft pooling. For the decoder stage, we propose regional convolutions, a novel operator aimed at maximizing the global activation entropy. Furthermore, inspired by the local refining procedure in Point Completion Network (PCN), we also propose a patch-deforming operation to simulate deconvolutional operations for point clouds. This paper proves that our regional activation can be incorporated in many point cloud architectures like AtlasNet and PCN, leading to better performance for geometric completion. We evaluate our approach on different 3D tasks such as object completion and classification, achieving state-of-the-art accuracy.

研究动机与目标

• 解决深度学习流水线中处理无序、非结构化点云的挑战。
• 通过从部分点云生成高保真、细节丰富的重建，改进三维形状补全。
• 开发一种可泛化的特征学习框架，兼容现有架构如 AtlasNet 和 PCN。
• 与体素方法相比，降低计算成本和内存使用，同时保持或提升性能。
• 通过基于区域激活的池化实现排列不变、鲁棒的特征提取。

提出的方法

• 引入软池化作为最大池化的替代方案，保留多个高激活特征，而非仅最大值。
• 在解码器中采用区域卷积，以增强全局激活熵，改善细粒度细节恢复。
• 引入一种受 PCN 启发的补丁形变操作，模拟点云上的反卷积行为。
• 采用多损失训练方案，包括区域间、区域内、边界和形状保持损失，以指导重建。
• 应用可学习的区域分配机制，根据激活模式对特征进行分组，实现结构化特征学习。
• 设计一种可微、排列不变的架构，支持对原始点云进行端到端训练。

实验结果

研究问题

• RQ1 软池化是否能通过保留多个高激活特征而非仅最大值，改善点云网络中的特征表示？
• RQ2 与标准卷积相比，区域卷积在三维形状补全质量方面有何提升？
• RQ3 所提出方法在 AtlasNet 和 PCN 等不同点云架构上的泛化能力如何？
• RQ4 软池化与区域卷积的结合是否能显著提升细长结构上的重建保真度和细节恢复？
• RQ5 与体素和基于点的基线方法相比，该方法在推理速度和内存效率方面表现如何？

主要发现

• SoftPoolNet 在 ModelNet40 分类任务上达到 92.28% 的准确率，优于 RS-PointNet 和 RS-DGCNN 等先前方法。
• 在 ShapeNet 部分分类基准上，准确率达到 84.32%，超过所有对比方法。
• 切比雪夫距离降低至 5.94×10⁻³（8 个区域），表明几何重建质量更优。
• 该模型在所有点云和体素方法中推理时间最短（0.04s），甚至优于 FoldingNet 和 PCN。
• 消融实验确认，所有损失组件——区域间、区域内、边界和形状保持——对最优性能均至关重要。
• 该方法保持了排列不变性，如输入点云随机重排后重建质量保持一致所示。