Hello,这是论文阅读计划的第23篇啦~
一、背景介绍
随着3D传感器的普及,我们可以相对容易地获得更多原始3D数据,例如RGB-D数据、激光雷达数据和微机电系统数据。考虑到点云是3D数据的基本代表,对于各种应用,例如自动驾驶、机器人和位置识别,对点云的理解已经引起了广泛的关注。
与2D图像不同,稀疏性和无序特性使得鲁棒的点云处理成为一项具有挑战性的任务。此外,从这些3D传感器或重建算法获得的原始数据在现实世界中不可避免地包含异常值或噪声。
与2D图像的情况不同,传统的卷积运算不能直接处理非结构化的点云数据。因此,当前大多数方法通常使用采样方法从原始点云中选择点来进行局部特征学习。在这些采样算法中,最远点采样(FPS) 、泊松圆盘采样(PDS) 和甘贝尔子集采样(GSS) 是在以前的工作中提出的。然而,作为最具代表性的一种,FPS植根于欧盟内部的距离,这种距离依赖于任务,对异常值敏感。PDS是一种预定义的统一采样方法,也不能以数据驱动的方式解决上述问题。GSS只从高维嵌入空间进行采样,而忽略了点的空间分布。此外,这些方法的共同关键问题是采样点仅限于原始点云的子集。因此,如图1的左边部分所示,如果一个异常点被采样,它将不可避免地影响下游过程。
为了克服上述问题,本文提出了一种新的端到端的鲁棒点云处理网络,称为点云神经网络,它可以有效地处理有噪声或离群点的点云。
二、相关工作
基于体积和基于投影的方法:
考虑到点云的稀疏性和内存消耗,直接对点云进行体素化,然后使用三维卷积进行特征学习是不太有效的。已经提出了各种后续的改进方法,例如高效