PointASNL : Traitement robuste de nuages de points à l’aide de réseaux neuronaux non locaux avec échantillonnage adaptatif

Les nuages de points bruts contiennent inévitablement des valeurs aberrantes ou du bruit en raison de l’acquisition par des capteurs 3D ou des algorithmes de reconstruction. Dans cet article, nous proposons un nouveau réseau end-to-end robuste pour le traitement des nuages de points, nommé PointASNL, capable de traiter efficacement les nuages de points perturbés par du bruit. Le composant clé de notre approche est le module d’échantillonnage adaptatif (AS). Celui-ci réattribue d’abord des poids aux voisins des points initialement échantillonnés par l’algorithme de sampling par point le plus éloigné (FPS), puis ajuste de manière adaptative les points échantillonnés sur l’ensemble du nuage. Ce module AS permet non seulement d’améliorer l’apprentissage des caractéristiques des nuages de points, mais aussi de réduire l’effet biaisant des valeurs aberrantes. Pour mieux capturer à la fois les dépendances locales et à longue portée des points échantillonnés, nous proposons un module local-nonlocal (L-NL), inspiré de l’opération nonlocal. Ce module L-NL rend le processus d’apprentissage insensible au bruit. Des expériences étendues confirment la robustesse et l’efficacité supérieure de notre méthode sur diverses tâches de traitement de nuages de points, qu’il s’agisse de données synthétiques, de données intérieures ou extérieures, avec ou sans bruit. Plus précisément, PointASNL atteint des performances de pointe en classification et segmentation sur tous les jeux de données, et surpasse significativement les méthodes antérieures sur le jeu de données réel outdoor SemanticKITTI, qui présente un niveau notable de bruit. Le code source est disponible à l’adresse suivante : https://github.com/yanx27/PointASNL.