FoldingNet: 深層グリッド変形を用いたポイントクラウドオートエンコーダー

最近の深層ネットワークでは、ポイントセット内の点を直接処理するもの（例：PointNet）が、ポイントクラウド上の分類やセグメンテーションなどの監督学習タスクにおいて最先端の成果を上げています。本研究では、ポイントクラウド上の非監督学習課題に対処するために、新しいエンドツーエンドの深層オートエンコーダーを提案しています。エンコーダー側では、PointNetの上にグラフベースの強化を施し、局所構造を促進します。その後、新しい折りたたみベースのデコーダーが2次元グリッドをポイントクラウドの基礎となる3次元物体表面に変形させることで、繊細な構造を持つ物体でも低い再構成誤差を達成します。提案されたデコーダーは全結合ニューラルネットワークを使用したデコーダーと比較して約7%のパラメータしか使用しませんが、より判別力のある表現を実現し、基準よりも高い線形SVM分類精度を達成しています。さらに、理論的に示されているように、提案されたデコーダー構造は2次元グリッドから任意のポイントクラウドを再構成できる汎用的なアーキテクチャです。当該コードは http://www.merl.com/research/license#FoldingNet で公開されています。