多角度点云-VAE：通过联合自重构和半对半预测实现多角度3D点云的无监督特征学习

无监督点云特征学习对于大规模点云理解至关重要。近期基于深度学习的方法依赖于通过自重构来学习全局几何结构。然而，这些方法在局部几何结构的学习上仍存在不足，这极大地限制了所学特征的区分能力。为了解决这一问题，我们提出了MAP-VAE，该模型通过联合利用全局和局部自监督来实现全局和局部几何结构的学习。为了实现有效的局部自监督，我们引入了点云的多角度分析方法。在多角度场景中，我们首先从每个角度将点云分为前半部分和后半部分，然后训练MAP-VAE学习从前半部分序列预测对应的后半部分序列。MAP-VAE通过RNN执行这种半对半预测，同时学习每个局部几何结构及其之间的空间关系。此外，MAP-VAE还通过自重构来学习全局几何结构，在此过程中我们采用了变分约束以促进新形状的生成。四个形状分析任务中的优异结果表明，与现有最先进方法相比，MAP-VAE能够学习到更具区分性的全局或局部特征。