TPAMI 2024 | 用于自监督点云表示的生成变分对比学习

Generative Variational-Contrastive Learning for Self-Supervised Point Cloud Representation

题目：用于自监督点云表示的生成变分对比学习

作者：Bohua Wang; Zhiqiang Tian; Aixue Ye; Feng Wen; Shaoyi Du; Yue Gao

---

摘要

三维点云的自监督表示学习受到了越来越多的关注。然而，现有的3D计算机视觉领域的方法通常使用固定的嵌入来表示潜在特征，并对嵌入施加硬约束，以使正样本的潜在特征值趋于一致，这限制了特征提取器在不同数据域上的泛化能力。为了解决这个问题，我们提出了一个生成变分对比学习（GVC）模型，其中使用高斯分布来构建潜在特征的连续、平滑表示。构建了分布约束和交叉监督，以提高特征提取器在合成和真实世界数据上的迁移能力。具体来说，我们设计了一个变分对比模块来约束特征分布，而不是潜在空间中每个样本对应的特征值。此外，引入了一个生成交叉监督模块，以保留不变特征并促进正样本间特征分布的一致性。实验结果表明，GVC在不同的下游任务上