Diffusionskomponente: Interpretierbares Lernen zur Kantenverstärkung und -unterdrückung für die Segmentierung von 3D-Punktwolken

3D-Punktwolken sind diskrete Abtastwerte kontinuierlicher Oberflächen und können für verschiedene Anwendungen verwendet werden. Allerdings stellt der Mangel an echten Verbindungsinformationen, also Kanteninformationen, eine Herausforderung für die Erkennung von Punktwolken dar. Neuere kantenbewusste Methoden integrieren das Modellieren von Kanten in die Netzwerkdesigns, um lokale Strukturen besser zu beschreiben. Obwohl diese Methoden zeigen, dass die Einbeziehung von Kanteninformationen vorteilhaft ist, bleibt unklar, wie diese Informationen helfen und es schwierig für Benutzer, ihre Nützlichkeit zu analysieren. Um dieses Problem zu beleuchten, schlagen wir in dieser Studie einen neuen Algorithmus namens Diffusionsmodul (Diffusion Unit, DU) vor, der Kanteninformationen auf einer fundierten und interpretierbaren Weise verarbeitet und gleichzeitig eine erhebliche Verbesserung bietet. Zunächst zeigen wir theoretisch, dass DU lernen kann, tasknutzbare Kantenverstärkung und -dämpfung durchzuführen. Zweitens beobachten und überprüfen wir experimentell das Verhalten der Kantenverstärkung und -dämpfung. Drittens demonstrieren wir empirisch, dass dieses Verhalten zur Leistungsverbesserung beiträgt. Ausführliche Experimente und Analysen an anspruchsvollen Benchmarks bestätigen die Effektivität des DU. Insbesondere erreicht unsere Methode den aktuellen Stand der Technik bei der Segmentierung von Objektteilen mit ShapeNet-Teilen und bei der Szene-Segmentierung mit S3DIS. Unser Quellcode ist unter https://github.com/martianxiu/DiffusionUnit verfügbar.