17 天前

混合去噪泛化占据网络

Amine Ouasfi, Adnane Boukhayma
混合去噪泛化占据网络
摘要

尽管当前最先进的可泛化隐式神经形状模型依赖于卷积的归纳偏置,但这种偏置所催生的特性与从点云进行三维重建任务之间的兼容性仍不完全明确。本文在这一背景下探索了一种替代性的泛化路径。我们弱化了模型固有的归纳偏置(即不再使用卷积编码局部特征,而是采用多层感知机MLP),转而通过与重建任务相关的辅助正则化项来约束假设空间,具体为去噪任务。由此得到的模型是首个仅基于MLP、且在局部条件约束下实现点云隐式形状重建的网络,具备快速前向推理能力。该模型在一次前向传播中即可从点云中预测出点云特征与去噪偏移量,全部由纯MLP构成。随后,解码器通过无序地聚合点云邻近特征,结合经去噪处理的相对位置编码,预测空间中任意查询点的占据概率。实验表明,该方法在性能上超越了当前最先进的卷积型方法,同时模型参数量仅为后者的二分之一。