论文学习笔记（3）：PointLIE: Locally Invertible Embedding for Point Cloud Sampling and Recovery

论文学习笔记（3）：PointLIE: Locally Invertible Embedding for Point Cloud Sampling and Recovery

---

---

一、Introduction

由于对功耗、计算成本和通信负载的巨大需求，直接处理大规模点云是难以解决的。

---

点云采样与恢复(PCSR)任务旨在从密集点云中采样有意义的点，压缩原始点云的规模，同时保留丢弃点的局部拓扑结构，以便将来重建，这是大规模实时点云采集与处理的关键。

---

PCSR的一个基本问题是:如何以一种不确定的方式(即不需要额外存储点关系)保存丢弃点的局部拓扑，同时对任意尺度的密集点云进行下采样?

---

然而，双向PCSR仍然具有一定的挑战性，原因如下:
(1)传统方法通过逐渐稀疏来压缩点云。全局几何构型在中间过程中丢失，使得中间结果对下游应用无用且不可见;
(2)数据点之间的关系需要巨大的存储空间。
(3)简单的上采样方法由于局部结构信息的丢失，恢复效果不理想。

---

本文的主要贡献有三个方面。
1)是第一个在PCSR任务中采用INN的作品。提出了一种新的PointLIE方案，通过双向学习将采样和上采样流建模到同一个网络中。
2)引入一个分解模块和点可逆块，来解耦采样点表示和对应的局部邻居，在每个下采样尺度上的偏移量。同时，提出了一种递归可逆嵌入方法，将局部邻域的偏移量转化为满足特定分布的潜在变量。
3)大量实验表明，PointLIE在定量和定性上都优于最先进的点云采样和上采样方法。

---

二、Methods

1.Task Overview

这么理解：正向为采样过程，反向为重建过程。
数学模型就是函数求逆。
这里需要注意的是：
z是正向过程中产生的局部可逆嵌入，它遵循一个特定的分布p(z)。
因此，采样后不需要存储z，只需随机绘制一个嵌入的z*从p(z)在反路径上的分布。

2.网络结构

左边为点分解模块，右边为点可逆模块。
分解模块：FPS后生产采样点和近邻非采样点。
可逆模块：融合采样点与采样点近邻点的特征。

``

这里注意到：输入和输出，以及采样率的变化，以及可逆嵌入z。
从左向右为采样，从右向左为重建。

---

3.损失函数

emd为：the Earth Mover’s distance loss
rep为Pu-net损失函数：

uni为Pu-gan损失函数：

分布损失：交叉熵。

总损失函数

三、Experiments

指标更好了


消融实验

四.Conclusion

1. For the first time , adopt the INN in the PCSR task.

2. PointLIE models the sampling and upsampling streams into the same network through bi-directional learning.

3. Extensive experiments demonstrate that PointLIE outperforms the state-of-the-art sampling and upsampling methods both quantitatively and qualitatively.