摘要
点云是一种重要的三维表示形式。然而，由于其稀疏、不规则和无序的数据结构，直接在点云上应用卷积操作具有挑战性。本文提出了一种新颖的插值卷积操作——InterpConv，以解决点云特征学习和理解问题。该方法的核心思想是利用一组离散的核权重，并通过插值函数将点特征插值到相邻的核权重坐标上进行卷积。引入了一个归一化项来处理不同稀疏程度的邻域。我们的InterpConv被证明具有排列不变性和稀疏不变性，并且可以直接处理不规则输入。我们进一步设计了基于InterpConv层的插值卷积神经网络（InterpCNNs），用于处理包括形状分类、物体部件分割和室内场景语义解析在内的点云识别任务。实验结果表明，这些网络能够有效地捕捉细粒度的局部结构和全局形状上下文信息。所提出的这种方法在ModelNet40、ShapeNet Parts和S3DIS等公开基准数据集上取得了最先进的性能。