動的グラフCNNを用いたポイントクラウド学習

点群は、コンピュータグラフィックスにおける無数のアプリケーションに適した柔軟な幾何学的表現を提供します。また、ほとんどの3次元データ取得デバイスの生の出力も点群で構成されています。グラフィックスとビジョンにおいて、点群上の手動設計特徴量が長年にわたって提案されてきましたが、画像解析における畳み込みニューラルネットワーク（CNN）の最近の圧倒的な成功は、CNNの洞察を点群世界に適応させる価値を示唆しています。点群は本質的にトポロジカル情報を持たないため、トポロジーを回復するモデルを設計することで、点群の表現力を豊かにすることができます。この目的のために、我々はPointNet++やDGCNNなどの既存アーキテクチャに組み込むことができる新しいニューラルネットワークモジュールであるEdgeConvを提案します。EdgeConvはネットワークの各層で動的に計算されるグラフに対して作用します。これは微分可能であり、既存のアーキテクチャに組み込むことができます。既存の外部空間で動作するモジュールや各ポイントを独立して扱うモジュールと比較して、EdgeConvにはいくつか魅力的な特性があります。すなわち、局所近傍情報を統合すること；グローバル形状特性を学習するために積み重ねて適用できること；そして多層システムでは特徴空間での親和性が元の埋め込み空間での長い距離にわたる意味論的特性を捉えることができることです。我々はModelNet40、ShapeNetPart、S3DISなどの標準ベンチマーク上で提案モデルの性能を示します。