论文 | 3D点云 | CVPR2022 | GraphWalks：高效的形状不可知测地线最短路径估计

原创 R. A. Potamias 图科学实验室Graph Science Lab 2022-06-13 16:18 发表于台湾

测地线路径和距离是 3D 表面最流行的内在属性之一。传统上，离散多边形表面上的测地线路径是使用最短路径算法（例如 Dijkstra）计算的。然而，这样的算法有两个主要的限制。它们是不可微的，这限制了它们在可学习管道中的直接使用，并且它们需要相当多的时间。为了解决这些限制并减轻计算负担，我们提出了一个可学习的网络来近似测地线路径。所提出的方法由三个主要组件组成：在高维空间中编码节点位置的图神经网络、描述先前访问过的节点的路径嵌入和选择路径中下一个点的点分类器。所提出的方法提供了最短路径和测地距离估计的有效近似。鉴于我们方法的所有组件都是完全可微的，它可以直接插入任何可学习的管道中，也可以在任何可微约束下进行定制。我们通过几个定性和定量实验广泛评估了所提出的方法。

论文：

GraphWalks: Efficient Shape Agnostic Geodesic Shortest Path Estimation

下载：

https://arxiv.org/pdf/2205.15217.pdf

亮点：

• 提出了第一个基于神经的测地线路径估计器，该估计器在输入方面是完全可微的。
• 所提出的方法具有一个图神经网络 (GNN)，该网络具有一个新颖的图消息传递算子，用于编码表面的拓扑先验。
• 使用自回归方式预测路径，其中使用动量范式对当前路径状态进行编码。
• 所提出的方法在测地距离估计中优于所有基线方法，并且可以将路径预测速度提高 9 倍。
• 所提出的方法可以准确地估计非结构化点云上的测地线路径和距离。

阅读原文