PointASNL: Robuste Verarbeitung von Punktwolken mittels nichtlokaler Neuraler Netze mit adaptiver Abtastung

Rohpunktwolken-Daten enthalten zwangsläufig Ausreißer oder Rauschen, die durch die Erfassung mittels 3D-Sensoren oder Rekonstruktionsalgorithmen verursacht werden. In diesem Artikel präsentieren wir ein neuartiges end-to-end-Netzwerk für robuste Punktwolkenverarbeitung, namens PointASNL, das effektiv mit rauschbehafteten Punktwolken umgehen kann. Der zentrale Bestandteil unseres Ansatzes ist das adaptive Sampling (AS)-Modul. Es gewichtet zunächst die Nachbarn der initial ausgewählten Punkte, die mittels Farthest Point Sampling (FPS) ermittelt wurden, und passt dann adaptiv die ausgewählten Punkte über die gesamte Punktwolke hinweg an. Das AS-Modul trägt nicht nur zur Verbesserung der Merkmalslernleistung von Punktwolken bei, sondern mindert auch die Verzerrung durch Ausreißer. Um zudem sowohl lokale als auch langreichweitige Abhängigkeiten der ausgewählten Punkte besser erfassen zu können, haben wir ein lokales-nichtlokal (L-NL)-Modul vorgeschlagen, das sich an der nichtlokalen Operation orientiert. Dieses L-NL-Modul ermöglicht ein Rauschunempfindliches Lernverfahren. Umfangreiche Experimente bestätigen die Robustheit und Überlegenheit unseres Ansatzes bei Punktwolkenverarbeitungsaufgaben – unabhängig davon, ob es sich um synthetische, innen- oder außenliegende Daten handelt, mit oder ohne Rauschen. Insbesondere erzielt PointASNL auf allen Datensätzen state-of-the-art Ergebnisse bei Klassifizierung und Segmentierungsaufgaben und übertrifft deutlich frühere Methoden auf dem realen Outdoor-Datensatz SemanticKITTI, der erhebliches Rauschen aufweist. Der Quellcode ist über https://github.com/yanx27/PointASNL verfügbar.