基于加权局部变换的点云增强

尽管点云在三维视觉领域得到了广泛应用，但用于训练深度神经网络的数据仍然相对有限。尽管数据增强是弥补数据稀缺性的标准方法，但在点云相关研究中仍鲜有深入探索。本文提出一种简单而有效的点云增强方法——PointWOLF。该方法通过以多个锚点为中心的局部加权变换，生成平滑变化的非刚性形变，从而实现多样且逼真的数据增强。此外，为减少人工调参以寻找最优增强超参数的负担，我们进一步提出AugTune，该方法可生成具有目标难度的增强样本，使其达到预设的置信度评分。实验结果表明，所提出的框架在形状分类与部分分割任务中均能持续提升性能。特别地，在真实世界数据集ScanObjectNN上，结合PointNet++，PointWOLF实现了89.7%的最新最优分类准确率。