【点云系列】PointGLR: Unsupervised Structural Representation Learning of 3D Point Clouds

1. 概要

论文：PointGLR: Unsupervised Structural Representation Learning of 3D Point Clouds
代码：https://github.com/raoyongming/PointGLR
这一篇是由CVPR2020会议扩展为期刊中稿在PAMI顶刊上的文章。
PAMI中稿的文章果然是延续了大量实验的良好传承。

期刊里的改动大致有三点：

1. 新的层级 全局-局部推理方案，用来用非监督模式来表达3D场景
2. 提供更多深入分析和可视化；
3. 添加了3D检测与场景分割的实验；

2. 动机

获得通用却鲁棒的表征模型，具有通用性，可适用点云下游任务；

3. 方法

全局和局部结构结合式。
有个前提假设：

• 局部和全局共享属性，可以看成局部是全局的一部分；这个体现在下图当中就是，给定飞机的一个尾巴区域，一个好的尾巴区域的表达，能够反映相应全局飞机的类型；而整个飞机的表达则应该包含必要的细节来推断出飞机的局部结构；
• 局部和局部特征见有明显的区分，可以看成是独立的；

整体网络架构如下图所示：

3.1 局部到全局的推理

目的：局部 与 全局表征尽可能地相似，表现在图里就是红色框内，局部特征（蓝色圆圈）和全局特征（橘色圆圈）要尽可能地接近。

做法：分连个部分，预测网络和自监督度量学习

3.1.1 预测网络

作用：将全局特征和局部特征映射到同一个特征空间，表现在上面的图里就是绿色球体；具体使用多层MLP实现
表示： 局部特征：$\varphi$; 全局特征：