|
基于网格曲面的几何拓扑信息可以为物体语义分析和几何建模提供较强的线索，但是，如此重要的连接性信息在点云中是缺失的。为此，旷视西雅图研究院首次提出一种全新的深度学习网络，称之为 GeoNet，可建模点云所潜在表征的网格曲面特征。
为证明这种学习型的测地表示的有效性，旷视西雅图研究院、UCLA 等机构提出一种融合方案，即把 GeoNet 与其他 baseline 和 backbone 相结合，比如 PU-Net、PointNet++，用于若干对潜在网格曲面特征理解有较高要求的点云分析任务。
得益于对潜在曲面拓扑结构的理解，这一方法在点云上采样、法向量估计、网格重建及非刚性形状分类等多项经典任务上取得了新的当前最优结果。该项工作已收录为 CVPR 2019 Oral 论文。
两个点集只有从大量点云学习到统计规则之后才相连，并观察这一类型的诸多物体，伴随着从椅子延伸到地面的相连、垂直的元素。这启发本文采取一种学习的方法来捕捉点云的拓扑学结构。
本文旨在开发一种针对潜在曲面拓扑学和物体几何学的点云数据的表示，进而提出一种利用已学习的拓扑学特征分析测地性点云的方法。
这一表示可捕捉一个点云的不同拓扑学模式，并且这一方法不会改变数据流，因此本文的表示可实现联合学习，与当前最优的 baseline 或 backbone 相结合，比如 PU-Net，PointNet++。
对于第一个目标，本文提出一种测地性邻域估计网络（Geodesic Neighborhood Estimation Network），称之为 GeoNet，通过使用 groundtruth 测地距离作为监督信号来学习深度测地表示。
GeoNet 包含两个模块：1）自动编码器，提取每一个点的特征向量；2）测量匹配层（GM），使用潜在特征充当一个已学习的核函数估计测地邻域点。
借助于监督式的测地训练过程，GM 层的中间特征包含丰富的点云拓扑学信息以及固有的曲面属性。本文注意到，尽管表示在测地距离上训练，但由于没有施加对称性、三角不等式等基于距离的约束，所学得的表示暂时并不适合作为标准测地距离。表示的目标是为整体几何学和拓扑学的后续处理过程提供点云潜在的网格曲面特征信息，而不是直接进行指标计算。
对于第二个任务，本文提出测地融合方案，从而把 GeoNet 整合进当前最优的架构之中，完成不同的任务。
具体而言，本文通过 PU-Net fusion（PUF）进行点云上采样，通过 PointNet++ fusion（POF）进行法向量估计、网格重建以及非刚性形状分类。
实验表明，这种来自 GeoNet 的已学习的测地表示同时有助于几何学和语义点云分析。
| 
发表于 2019-3-23 16:04:50
