香港大學等機構提出學習點云內蘊結構表示的非監督學習新方法
在此基礎上，研究人員利用了生成的結構點集與輸入點云間的Chamfer距離作為模型的重建約束，使得生成的結構點在空間上盡可能地靠近輸入點云結構：
值得注意的是，在模型的訓練過程中并沒有顯式地對結構點的語義連續性進行約束，但模型卻依然能夠針對每一類形狀生成具有語義連續性的概率圖，得到了具有語義連續性的結構點，下圖顯示了這種針對同一類形狀所具備的語義連續性：
不同目標形狀間的語義連續性。同一類別的不同點云形狀得到了語義一致的結構點，其中一三行是16個結構點，二四行是1024個結構點，所表達的結構都具有表示顏色較為一致的語義特征，圖中也顯示了模型可以連續生成稀疏或稠密結構點的能力。
實驗結果
為了驗證模型的有效性，研究人員在ShapeNet和BHCP數據集上進行了訓練和驗證，并采用了最遠點采樣的方法從三維形狀中進行點云采樣。研究人員使用PointNet＋＋從兩個不同層次抽取了512和128個聚類中心，并最終得到128個采樣點、每個點包含640維的局域上下文特征。在點云集成模塊中，多層感知機層次的數量由輸出的結構點數量決定。例如一個生成512個結構點的3層多層感知機包含了（640，512，512）神經元，針對每個類別在單個1080TiGPU上訓練需要耗時一小時左右。
為了測評結構點在不同目標間的連續性，研究人員在BHCP數據集上測試了三維形狀語義對應任務，并與其他方法進行了比較。下圖顯示了本方法與其他方法在語義對應任務上針對不同類別的精度，其中紅色線代表了本文提出的方法顯著超過了先前方法的精度：
此外研究人員還在語義標簽遷移任務上對模型產生結構點的質量進行測評，值得注意的是本文的方法在訓練時沒有采用任何標注。在使用時，利用與測試點最近的結構點序列來進行語義標注遷移，下圖顯示了模型在三個樣本上進行遷移的結果，其中綠色代表了八個隨機樣本的平均IOU，均值和中值用紅色和藍色顯示。
下圖還顯示了語義標簽遷移任務的結果，其中藍色框中是樣本形狀，其他則表示遷移的結果：
此外研究人員還利用PCA的方法結合結構點構建了嵌入空間，下圖顯示了形狀隨兩個主成分變化3σ的情況，右側顯示了僅僅由50個主成分構建的結果，很好地還原了點云所代表的形狀：
分享
請輸入評論內容...
請輸入評論/評論長度6~500個字
最新活動更多
- 1 AI狂歡遇上油價破百，全球股市還能漲多久？ | 產聯看全球
- 2 OpenAI深夜王炸！ChatGPT Images 2.0實測：中文穩、細節炸，設計師慌了
- 3 6000億美元估值錨定：字節跳動的“去單一化”突圍與估值重構
- 4 Tesla AI5芯片最新進展總結
- 5 連夜測了一波DeepSeek-V4，我發現它可能只剩“審美”這個短板了
- 6 熱點丨AI“瑜亮之爭”：既生OpenClaw，何生Hermes？
- 7 AI界的殺豬盤：9秒刪庫跑路，全員被封號，還繼續扣錢！
- 8 2026，人形機器人只贏了面子
- 9 DeepSeek降價90%：價格屠夫不是身份，是戰略
- 10 AI Infra產業鏈卡在哪里了？
