DeltaConv：用于点云几何深度学习的各向异性算子

从三维点云数据中学习近年来迅速获得了关注，这主要得益于深度学习在图像领域的成功以及三维数据可用性的增加。本文旨在构建可以直接在从点云提取的表面工作的各向异性卷积层。这一目标具有挑战性，因为表面缺乏全局坐标系统来定义切线方向。我们引入了DeltaConv，这是一种结合了矢量微积分中的几何算子的卷积层，能够实现在点云上构建各向异性滤波器。由于这些算子定义在标量场和矢量场上，我们将网络分为标量流和矢量流两部分，并通过这些算子将它们连接起来。矢量流使得网络能够显式地表示、评估和处理方向信息。我们的卷积方法不仅稳健且易于实现，在多个基准测试中达到了或超过了现有最先进方法的性能，同时加速了训练和推理过程。