Multi-Angle Point Cloud-VAE: Unüberwachtes Merkmalslernen für 3D-Punktwolken aus mehreren Winkeln durch gemeinsame Selbstrekonstruktion und Halb-zu-Halb-Vorhersage

Die unüberwachte Merkmalslernung für Punktwolken ist für die großmaßstäbliche Verarbeitung von Punktwolken von entscheidender Bedeutung. Neuere Methoden, die auf tiefem Lernen basieren, hängen von der Lernung der globalen Geometrie durch Selbstrekonstruktion ab. Allerdings leiden diese Methoden noch unter einer ineffektiven Lernung der lokalen Geometrie, was die Diskriminierbarkeit der gelernten Merkmale erheblich einschränkt. Um dieses Problem zu lösen, schlagen wir das MAP-VAE vor, um das Lernen von globaler und lokaler Geometrie durch den gemeinsamen Einsatz globaler und lokaler Selbstüberwachung zu ermöglichen. Um eine effektive lokale Selbstüberwachung zu gewährleisten, führen wir eine mehrwinklige Analyse für Punktwolken ein. In einem mehrwinkligen Szenario teilen wir zunächst eine Punktwolke aus jedem Winkel in einen vorderen und einen hinteren Teil und trainieren dann das MAP-VAE, um aus dem entsprechenden vorderen Teil den hinteren Teil zu vorhersagen. Das MAP-VAE führt diese Vorhersage von Teil zu Teil mit Hilfe eines RNNs durch, um gleichzeitig jede lokale Geometrie sowie deren räumliche Beziehungen zu lernen. Darüber hinaus lernt das MAP-VAE auch globale Geometrie durch Selbstrekonstruktion; hierbei verwenden wir eine variationelle Nebenbedingung (variational constraint), um die Erzeugung neuer Formen zu erleichtern. Die überlegenen Ergebnisse in vier Formanalyseaufgaben zeigen, dass das MAP-VAE vergleichsweise diskriminativere globale oder lokale Merkmale als die bislang besten Methoden lernen kann.