通过方向估计实现点云的自监督学习

点云为三维形状提供了一种紧凑且高效的表示方法。尽管深度神经网络在点云学习任务中取得了令人印象深刻的结果，但它们需要大量手动标注的数据，而这些数据的收集既费时又昂贵。本文中，我们利用三维自监督学习来减少下游任务所需的标签数量。点云可以以无限多种方式进行旋转，这为自监督学习提供了丰富的无标签数据源。我们考虑了一个辅助任务，即预测旋转，这反过来又为其他任务（如形状分类和三维关键点预测）生成了有用的特征。通过在ShapeNet和ModelNet上的实验，我们证明了我们的方法优于现有最佳方法。此外，我们的模型所学到的特征与其他自监督方法具有互补性，将它们结合可以进一步提高性能。