FoldingNet:通过深度网格变形的点云自动编码器
摘要
直接处理点集(例如PointNet)中的点的最近的深度网络对于诸如分类和分割的点云上的监督学习任务而言是最先进的。在这项工作中,提出了一种新颖的端到端深度自动编码器来解决点云上的无监督学习挑战。在编码器方面,强制实施基于图形的增强以促进PointNet上的局部结构。然后,一种新颖的基于折叠的解码器将规范的2D网格变形到点云的底层3D物体表面上,即使对于具有精细结构的物体也实现低重建误差。所提出的解码器仅使用具有完全连接的神经网络的解码器的大约7%的参数,但是导致更具辨别度的表示,其实现比基准更高的线性SVM分类准确度。另外,理论上,所提出的解码器结构被示出为能够从2D网格重建任意点云的通用架构。
FoldingNet的主要贡献:
•训练直接消耗无序点云的端到端深度自动编码器。
•提出了一种称为折叠的新解码操作,理论上表明它在点云重构中是通用的,同时将重建点的命令作为唯一的副产品提供给其他方法。
上图为FoldingNet的架构图。FoldingNet通过基于图的编码器,提取点云的局部特征。没错,基于的正是KNNG