论文笔记——基于深度学习的3d点云处理

摘要

	深度学习在2D图像中表现出来了优越的性能，在对非结构化的信息处理已经具有了一定 的潜力成为了计算机图形学的重要研究方向。
	此篇文章介绍了点云拓扑结构的提取方法，然后进行了对比分析、结构提取、检测和修复等等最后总结了常用的3D点云的数据集。
	主要围绕的是深度学习在形状分析、结构提取、检测和修复等方向的一系列作用。

针对的问题

1. 3D数据中的深度学习方法常常不太相同，表现在点云数据中有一定的局限性（分辨率、基于特征的深度神经网络在表现点云特征的时候有较大的限制）
2. 点云的无序性和不规则性为深度学习处理数据带来了一定的挑战

此文的贡献

主要是概括最新的应用于机器人、自动驾驶、增强现实、医学中的点云处理技术，偏向于深度学习。

具体内容概括

模型的重建和变换

在图二中给出了基于体素、基于视图和基于点的处理方法的汇总并且给出了各个方法在不同数据集下处理不同任务的详细总结

在下列的两张图中给出了在分类和分割任务的性能比较

姿态估计

3D姿态估计是确定目标物体的方位指向问题，是机器人 领域的重要问题。

算法的性能评估

总结

此文系统的总结了多种点云处理的方法，侧重于深度学习的方法，为我们提供了最新的研究进展。

数据方面

大部分方法只在现有的数据集上进行实验，而对于
新获取的数据并不适用．这很大程度上是由于新获
取的数据无法实现多角度、全方位的完美匹配，而
且不同平台获得的数据难以融合，无法达到统一的
标准．对于融合后的点云，具有鲁棒性和区分性特
征的提取有一定的难度，未来的研究可以从特征提
取方面入手.
数据集尺度不均衡，由于真实复杂场景中检测
及识别小目标较为困难，这直接为其应用带来较
大挑战.未来研究工作可人工生成小目标样本，增
大数据集中小目标所占比例，进而在网络训练中提
高其识别检测能力.
数据质量对网络(如transformers)的泛化性和
鲁棒性的影响较大。点云的几何位置存在误差时，
可以通过已知控制点对其进行几何矫正.当使用激
光扫描获取数据时，除了考虑扫描距离和入射角度
的问题，还可以进行强度矫正，通过不同方法改善
点云的质量.
随着3D扫描技术的发展，大规模点云的获取
已不是难点，挑战性在于如何对其进行处理.此外，
算法精度依赖大批量的数据集[tt}}，目前还没有比较
好的解决手段.

性质方面

点云是3D空间内点的集合，它没有提供邻域
信息，故而大部分方法需要依据不同的邻域查询方
法确定点的邻域，这将导致算法增加额外的计算成
本.点云不能显式地表达目标结构以及空间拓扑关
系.此外，当目标被遮挡或重叠时，不能依据几何
关系确定拓扑结构，给后续处理任务带来一定难度.
针对点云的不规则性及无序性，将其应用于深
度神经网络中进行相关任务的处理需要做数据形式
的转换，如体素化[[42].但这些转换操作不但增加了
计算量，而且很可能在转换的过程中丢失信息，所
以直接的点云处理方法是重要研究方向.

网络结构方面

基于快速和轻量级的模型.为了达到理想效果，

目前的算法倾向于使用含大量参数的较大的神经网
络结构，导致计算复杂度高、内存占用大、速度慢
等问题.因此，设计快速且轻量级的网络架构具有
较大应用价值[120-121]
网络结构的改良.优化网络结构可使同一网络
处理多种任务，能够很大程度地降低复杂度[f21.还
可以考虑与其他网络结构结合[[47]或微调超参数[122]
来实现优化目的.