DensePoint：用于高效点云处理的密集上下文表征学习

点云处理极具挑战性，因为由不规则点构成的多样形状往往难以区分。要充分理解这些难以捉摸的几何结构，需要充足的上下文语义信息，然而目前很少有研究致力于这一方向。为此，本文提出DensePoint，一种通用的架构，用于学习点云处理中的密集上下文表征。在技术层面，DensePoint通过泛化卷积算子，将传统的规则网格卷积神经网络扩展至不规则点云配置，该算子保持了点集的排列不变性，从而实现了对局部模式的高效归纳学习。在架构设计上，DensePoint借鉴了密集连接（dense connection）模式，通过深度层次结构反复聚合多层级、多尺度的语义信息。由此，DensePoint能够以有机的方式获取密集的上下文信息与丰富的语义表征，展现出卓越的性能。在四个不同任务的多个具有挑战性的基准数据集上进行的大量实验，以及深入的模型分析，均验证了DensePoint达到了当前最优的性能水平。