Unité de Diffusion : Apprentissage Interprétable d'Amélioration et de Suppression des Arêtes pour la Segmentation de Nuages de Points 3D

Les nuages de points 3D sont des échantillons discrets de surfaces continues qui peuvent être utilisés pour diverses applications. Cependant, le manque d'informations de connectivité réelles, c'est-à-dire d'informations sur les arêtes, rend la reconnaissance des nuages de points difficile. Les méthodes récentes sensibles aux arêtes intègrent la modélisation des arêtes dans la conception des réseaux afin de mieux décrire les structures locales. Bien que ces méthodes montrent que l'intégration des informations sur les arêtes est bénéfique, il reste encore flou comment ces informations aident, ce qui complique l'analyse de leur utilité par les utilisateurs. Pour éclaircir cette question, dans cette étude, nous proposons un nouvel algorithme appelé Unité de Diffusion (Diffusion Unit - DU) qui traite les informations sur les arêtes de manière rigoureuse et interprétable tout en apportant une amélioration notable. Premièrement, nous montrons théoriquement que DU apprend à effectuer un renforcement et une suppression d'arêtes avantageux pour la tâche. Deuxièmement, nous observons et vérifions expérimentalement ce comportement de renforcement et de suppression d'arêtes. Troisièmement, nous démontrons empiriquement que ce comportement contribue à l'amélioration des performances. Des expériences et analyses approfondies menées sur des benchmarks difficiles confirment l'efficacité de DU. Plus précisément, notre méthode atteint des performances d'état de l'art en segmentation de parties d'objets utilisant ShapeNet part et en segmentation de scènes utilisant S3DIS. Notre code source est disponible à l'adresse https://github.com/martianxiu/DiffusionUnit.