摘要
近年来，直接处理点集中的点的深度网络（如PointNet）在点云的监督学习任务中（例如分类和分割）表现出色，达到了行业领先水平。本研究提出了一种新颖的端到端深度自编码器，以应对点云上的无监督学习挑战。在编码器部分，引入了基于图的增强机制，以在PointNet的基础上促进局部结构的形成。随后，设计了一种创新的折叠式解码器，该解码器将一个规范的二维网格变形为点云的基本三维物体表面，即使对于具有精细结构的对象也能实现较低的重建误差。所提出的解码器仅使用全连接神经网络解码器约7%的参数量，却能生成更具判别性的表示，其线性支持向量机（SVM）分类准确率高于基准模型。此外，理论上证明了所提出的解码器结构是一种通用架构，能够从二维网格重建任意点云。我们的代码可在以下网址获取：http://www.merl.com/research/license#FoldingNet