DSVT：带旋转集合的动态稀疏体素Transformer

设计一种高效且易于部署的3D骨干网络以处理稀疏点云，是三维感知领域的基础性问题。相较于专用的稀疏卷积，Transformer中的注意力机制在灵活建模长距离依赖关系方面更具优势，且在实际应用中更易于部署。然而，由于点云具有稀疏特性，直接将标准Transformer应用于稀疏点上仍面临挑战。本文提出了一种单步长窗口机制的稀疏体素Transformer骨干网络——动态稀疏窗口Transformer（Dynamic Sparse Voxel Transformer, DSVT），专为室外三维感知任务设计。为高效并行处理稀疏点，我们提出了动态稀疏窗口注意力机制（Dynamic Sparse Window Attention），该机制根据每个窗口内点云的稀疏程度自适应地划分局部区域，并以完全并行的方式计算所有区域的特征。为进一步实现跨集合连接，我们设计了一种旋转集合划分策略，在连续的自注意力层中交替使用两种不同的划分配置。此外，为支持有效的下采样并更好地编码几何信息，我们提出了一种基于注意力机制的稀疏点三维池化模块，该模块无需依赖任何定制化的CUDA操作，兼具强大性能与良好的部署友好性。实验结果表明，DSVT在多种三维感知任务中均达到当前最优性能。尤为重要的是，DSVT可借助TensorRT实现轻松部署，并在真实场景中实现高达27Hz的实时推理速度。代码将开源，地址为：\url{https://github.com/Haiyang-W/DSVT}。