摘要
本文提出了一种名为PointGrid的新型深度学习架构，专为从无序点云中进行三维模型识别而设计。该架构采用一种简单但高效的数据采样策略，将输入点云嵌入三维网格中，并直接从原始坐标中学习空间变换与特征表示。所提出的PointGrid方法是一种点与网格相结合的混合模型，既继承了基于体素（voxel）方法（如VoxelNet）的简洁性，又有效避免了其固有的信息损失问题。相较于PointNet，PointGrid能够更好地捕捉全局特征；同时，其结构远比PointNet++、Kd-Net、Oct-Net和O-CNN等模型更为简洁，却仍能实现相当的识别准确率。在多个主流三维形状识别基准数据集上的实验结果表明，PointGrid在分类与分割任务中均展现出与现有深度学习方法相媲美的竞争力。