AVS-Net : Échantillonnage de Points avec une Taille de Voxel Adaptative pour la Compréhension de Scènes 3D

Les récentes avancées dans l'apprentissage sur nuages de points ont permis aux véhicules et robots intelligents de mieux comprendre les environnements en 3D. Cependant, le traitement de scènes 3D à grande échelle reste un problème complexe, ce qui fait que des méthodes d'échantillonnage efficaces jouent un rôle crucial dans l'apprentissage sur nuages de points. Les méthodes d'échantillonnage existantes nécessitent soit une charge de calcul importante, soit sacrifient des informations géométriques fines. Pour répondre à cet objectif, cet article présente un échantillonneur avancé qui atteint à la fois une haute précision et une efficacité optimale. La méthode proposée utilise l'échantillonnage par centroïde de voxel comme base mais aborde efficacement les défis liés à la détermination de la taille des voxels et à la préservation des indices géométriques critiques. Plus précisément, nous proposons un Module d'Adaptation Voxelique qui ajuste de manière adaptative les tailles des voxels en se référant au taux d'échantillonnage basé sur les points. Cela garantit que les résultats d'échantillonnage présentent une distribution favorable pour la compréhension de divers objets ou scènes en 3D. Parallèlement, nous introduisons un réseau compatible avec des tailles de voxels arbitraires pour l'échantillonnage et l'extraction de caractéristiques tout en maintenant une haute efficacité. L'approche proposée est illustrée par la détection d'objets en 3D et la segmentation sémantique en 3D. Comparée aux méthodes actuelles les plus performantes, notre approche obtient une meilleure précision sur des jeux de données à grande échelle en extérieur et en intérieur, tels que Waymo et ScanNet, avec une efficacité prometteuse.