点云采样方法

随机采样，网格采样，均匀采样，集合采样。

网格采样：用规则的网格对点进行采样，不能精确的控制采样点的数量

均匀采样：均匀的采样点云中的点，由于其鲁棒性(系统的健壮性)而更受欢迎

点云降采样方法的原理是将三维空间网格化，也被称为体素化。

FPS（最远点采样方法）：迭代选取最远的点

RS（随机采样）：随机降采样均匀地从输入的 N 个点中选择 K 个点，每个点具有相同的被选中的概率。其计算量与输入点云的总点数无关，只与降采样后的点数 K 有关。

边缘采样方法（APES）

基于注意力的点云边缘采样方法：使用注意力机制来计算相关图和采样边缘点，这些边远点的属性在这些相关图中得到反应。

基于邻点注意力计算每个点与邻点之间的相关映射，提出了基于局部的点云边缘采样

基于点对点注意力计算所有点之间的关联映射，提出了基于全局的点云边缘采样

Canny边缘检测器有效性的关键是如何定义边缘 像素

强度梯度较大的像素被定义为边缘像素（和邻居比较）

N2P注意层（基于邻居到点）

对于许多点云来说，点坐标是唯一可用的特征

注意力机制可以做为每个patch内点特征之间的相关性度量

上采样：放大图像，图像插值，放大原图像，可以显示在更高分辨率显示设备上

下采样（降采样）：缩小图像 ，目的：使图像符合显示区域的大小，形成缩略图

基于局部的APES更严格的关注边缘点，而基于全局的APES忽略一些边缘点，并更多地利用靠近边缘的其他非边缘点。

     

局部APES                       全局APES

全局的APES丢弃了一些椅子的腿点，为座椅边缘做了更厚的点。

基于全局的APES通过减少对不属于边缘但全局更重要的点的采样来追求更好地性能。

嵌入维数：数据集能够完全嵌入且不损失信息的欧式空间的维数。

（嵌入层）降维

我们把一个A中的12个元素的矩阵变成C中6个元素的矩阵，直观上，大小是不是缩小了一半？Embedding层，在某种程度上，就是用来降维的，降维的原理就是矩阵乘法。

我们提出的方法的一个优 点是，我们可以用它采样任何想要的点数。

连续采样原始点云到四分之一(N→N/2→

N/4)和直接采样到四分之一(N→N/4)的定性比较结果。

我们观察到采样的结果大多是相似的。除了少数通过 连续采样可以更好地捕获的极端边缘点。

与原始点云相比，边样点采样改变了数据分布，特别是使用大的下采样率时，先试用FPS将输入点云采样到2M大小，然后使用APES方法将其采样到所需的大小M。