Introduction:
本篇论文,介绍了一个通过深度网格变形的点云自编码器(AE)。
提出了新的端到端graph-based编码器和folding-based解码器。
因为点云结构是不规则的,一般由稀疏的三维点表示,很难应用到传统的深度学习的框架中(比如CNN中,每个样本点的相邻样本点需要在固定的一个地方以便于卷积,但是点云中的样本点做不到这样),一种解决方法是将点云体素化来模拟图像,但是这种方法存在很多缺陷,代价比较大。作者在本文提出的操作,就是用来解决点云不规则结构带来的问题,且比之前的方法效果要好。
Contributions:
- 训练了一个端到端的深度自编码器,来直接作用在无序点云上;
- 提出了一个新的解码操作folding,为重构的点云排序;
- 做实验,可知,相比其他无监督的方法,folding分类的精确度更高;
——————————————————————————————————————
Figures and Tables
Table 1:通过folding操作将2D样本点粘回了物体表面
第一列输入的是从ShapeNet数据集里的原始点云样本,
第二列,在解码过程中2D网格点被折叠了&#x