KPConv: Flexible and Deformable Convolution for Point Clouds论文笔记

• 论文概述
  1. Kernel Point Convolution
  
  
  左边为2D卷积示意图，在对图像的做卷积时，kernel可以理解成一些带权重的规则分布的2D位置（网格/窗口）。推广到点云，因为点云表示是不规则的，所以作者用了一个带权重的点集（kernel points）类比2D kernel，不同的地方是输入点云要和 kernel points 里面的每一个点的权重矩阵相乘然后通过一个相关系数(correlation coefficient) 加权求和。相关系数是通过输入点和kernel point的相对距离算出来的。同时定义了一个影响距离（influence distance），超过这个距离的点不会和kernel point相乘。实际上就是利用一个带有权重的Kernel Points点集类比2D卷积中的kernel，对点进行卷积操作。然后通过作用点，kernel points，neighbor points三者之间的距离关系进行二次加权。
  
  2.1  Rigid or Deformable Kernel Points
  2.1.1  Rigid Kernel Points
  核点的位置对于卷积算子来说非常重要。由于KP-Con的优势之一是它的灵活性，我们需要为任一K值（核点数量的上限）寻找一个规则的（均匀的）处理。所有的kernel point都在半径限定的球体范围内。在这里，作者将Kernel Points位置如何确定的问题看作一个优化问题。首先每个Kernel Point之间存在着一个相互排斥力，而中心点又会对这些Kernel Points存在一个吸引力，让他们被束缚在球形领域内。所以，每个点的位置的确定方式大概如下：
  （1）球心作为一个kernel point的位置；
  （2）球心对其它点有一定的引力（attractive force）来吸引它们靠拢；
  （3）其它的kernel points之间有一定的斥力（repulsive force）来使它们相互远离。
  （4）这个由引力、斥力组成的系统稳定后，即可确定每个kernel point的位置。
  它们之间的约束关系可以由以下公式体现：
  吸引力：
  排斥力：
  综合：
  
  2.1.2 Deformable Kernel Points
  对于一次卷积操作中涉及到的每个操作点&#