【点云处理之论文狂读前沿版10】—— MVTN: Multi-View Transformation Network for 3D Shape Recognition

摘要

• 问题： 在众多的点云处理方法中，Multi-view projection 方法的视角往往是启发式地设置或者是对所有形状都是相同的设置。
• 方法： 提出了一种方法，学习如何更好地设置这些视角。
• 细节： 引入了 Multi-View Transformation Network (MVTN)，用于寻找用于3D形状识别的最优视角，整个网络的设计都是可导的。MVTN可以通过端到端的形式进行训练，并搭配任意的多视角网络用于3D形状识别。本文将MVTN和一个新的适应性多视角网络进行整合，该网络不仅可以处理3D mesh，还可以处理点云。
• 代码： https://github.com/ajhamdi/MVTN Pytorch版本

相关工作

• MVTN学习输入数据的空间变换，学习的过程中不使用额外的监督，也不调整学习过程。

方法

Overview of Multi-View 3D Recognition

多视角网络的训练可以表示为：
$$\begin{array}{rl}& \underset{{\mathbf{\theta }}_{\mathbf{C}}}{\mathrm{argmin}}\sum _n^{N}L\left(\mathbf{C}\left({\mathbf{X}}_n\right),y_n\right)\\ =& \underset{{\mathbf{\theta }}_{\mathbf{C}}}{\mathrm{argmin}}\sum _n^{N}L\left(\mathbf{C}\left(\mathbf{R}\left({\mathbf{S}}_n,{\mathbf{u}}_0\right)\right),y_n\right)\end{array}$$
其中 $L$ 是具体任务的损失函数，$N$是数据集中3D形状的数量，$y_n$是第$n$个3D形状${\mathbf{S}}_n$的label。${\mathbf{u}}_0\in {\mathbb{R}}^{\tau }$是整个数据集的$\tau$个场景参数集合，这些参数表示了影响渲染图片的性质，包括视点、光线、颜色和背景。$\mathbf{R}$是渲染器，以形状${\mathbf{S}}_n$和参数${\mathbf{u}}_0$作为输入，得到每个形状的$M$个多视角图像${\mathbf{X}}_n$。在MVCNN中，$\mathbf{C}=\mathrm{MLP}\left({\max }_i\mathbf{f}\left({\mathbf{x}}_i\right)\right)$，$\mathbf{f}:{\mathbb{R}}^{h\times w\times c}\to {\mathbb{R}}^d$是一个2D CNN backbone；在ViewGCN中，$\mathbf{C}=\mathrm{MLP}(cat{}_{\mathrm{G}\mathrm{C}\mathrm{N}}\left(\mathbf{f}\left({\mathbf{x}}_i\right)\right))$，$ca{t}_{\mathrm{G}\mathrm{C}\mathrm{N}}$是从图卷积网络中学习到的视图特征聚合。${\mathbf{\theta }}_{\mathbf{C}}$是多视图网络$\mathbf{C}$的参数。在实验部分，场景参数$\mathbf{u}$表示成指向目标中心的相机视角的方位角(azimuth) 和仰角 (elevation) angles，因此$\tau =2M$

Multi-View Transformation Network (MVTN)

之前的多视图方法都是以图像$\mathbf{X}$作为3D形状的唯一表示，其中$\mathbf{X}$是使用固定的场景参数${\mathbf{u}}_0$得到的。相反，本文考虑一个更通用的情况，将$\mathbf{u}$设置成边界为$\pm {\mathbf{u}}_{\text{bound }}$内的变量，其中${\mathbf{u}}_{\text{bound }}$是正数，定义了场景参数的允许范围。将每个方位角和仰角的${\mathbf{u}}_{\text{bound }}$分别设置为$180^{\circ }$ 和$90^{\circ }$。

Differentiable Renderer

渲染器$\mathbf{R}$以3D形状$\mathbf{S}$(mesh or point cloud)和场景参数$\mathbf{u}$作为输入，输出是对应的$M$个图像 { x i } i = 1 M \left\{\mathbf{x}_{i}\right\}_{i=1}^{M} {xi​}i=1M​。由于$\mathbf{R}$可导，梯度$\frac{\partial {\mathbf{x}}_i}{\partial \mathbf{u}}$可以从每个图像反向传播到整个场景参数，因此能够构造一个端到端的学习框架。

当 $\mathbf{S}$表示为3D mesh时，$\mathbf{R}$有两个分量：rasterizer 和 shader。首先，在给定相机视角和将face分配给像素后，rasterizer将mesh从世界坐标系变换到视图坐标系中。然后shader根据face的分配对每个像素创建多个值，并将这些值进行融合。

当 $\mathbf{S}$表示为点云时，$\mathbf{R}$可以使用alpha-blending mechanism。

View-Points Conditioned on 3D Shape

通过学习Multi-View Transformation Network (MVTN)$\mathbf{G}\in {\mathbb{R}}^{P\times 3}\to {\mathbb{R}}^{\tau }$和参数${\mathbf{\theta }}_{\mathbf{G}}$，将$\mathbf{u}$设计成3D形状的函数，其中$P$是从形状$\mathbf{S}$采样得到点的数量。MVTN的训练可以表示为：
$$\begin{array}{rl}\underset{{\mathbf{\theta }}_{\mathbf{C}},{\mathbf{\theta }}_{\mathrm{G}}}{\mathrm{argmin}}& \sum _n^{N}L\left(\mathbf{C}\left(\mathbf{R}\left({\mathbf{S}}_n,{\mathbf{u}}_n\right)\right),y_n\right)\text{ s. t. }{\mathbf{u}}_n={\mathbf{u}}_{\text{bound }}\cdot \tanh \left(\mathbf{G}\left({\mathbf{S}}_n\right)\right)\end{array}$$
其中$\mathbf{G}$对3D形状进行编码，预测具体任务多视图网络$\mathbf{C}$的最优视点。由于$\mathbf{G}$的目标仅仅是预测视点所以$\mathbf{G}$的结构很简单，并且很轻量。与此同时，在$\mathbf{G}$中还使用了简单的点编码器(比如PointNet中的shared MLP)，用于处理从$\mathbf{S}$得到的$P$个点，并且生成维度为$b$的coarse形状特征。然后shallow MLP从这个全局形状特征中回归出场景参数${\mathbf{u}}_n$，为了将预测参数$\mathbf{u}$的数值强制放入$\pm {\mathbf{u}}_{\text{bound }}$范围内，使用了tanh函数将$\mathbf{u}$缩放到$\pm {\mathbf{u}}_{\text{bound }}$内。

MVTN for 3D Shape Classification

为了对MVTN进行训练，用于3D形状分类，我们定义了一个交叉熵损失函数，但是其他的损失函数和正则项也可以用。多视角网络($\mathbf{C}$)和MVTN($\mathbf{G}$)使用相同的损失函数共同训练。我们的网络结构的优点在于能够处理3D点云。当$\mathbf{S}$是一组点云时，简单地将$\mathbf{R}$定义为一个可导地点云渲染器。

MVTN for 3D Shape Retrieval

我们考虑$\mathbf{C}$中分类器前面最后一层的特征表示，使用LFDA reduction将这些特征投影到其他空间，并且将处理后的特征作为signature描述一个形状。在测试阶段，形状signature被用于在测试集中检索最相似的形状。

实验

3D Shape Classification

3D Shape Retrieval

Rotation Robustness

Occlusion Robustness

Ablation Study

Number of Views

Choice of Backbone and Point Encoders

Choice of Multi-View Network

Time and Memory Requirements