多角度点雲-VAE：複数角度からの3D点群の非教師監督特徴学習による共同自己再構成と半分対半分予測

非教師ありの点群特徴学習は、大規模な点群理解において重要な役割を果たしています。最近の深層学習に基づく手法は、自己再構成から全体的な幾何学を学習することに依存しています。しかし、これらの手法は依然として局所的な幾何学の効果的な学習に苦しみ、これが学習された特徴の識別能力を大幅に制限しています。この問題を解決するために、我々は全局所自己監督を共同で活用して全体と局所の幾何学を学習できるMAP-VAE（Multi-Angle Prediction Variational Autoencoder）を提案します。効果的な局所自己監督を可能にするために、点群に対する多角度分析を導入しました。多角度シナリオでは、まず各角度から点群を前面半分と背面半分に分割し、その後、MAP-VAE を訓練して対応する前面半分シーケンスから背面半分シーケンスを予測するようにします。MAP-VAE は RNN（Recurrent Neural Network）を使用して、この半分間予測を行い、同時に各局所幾何学とそれらの空間関係を学習します。さらに、MAP-VAE は自己再構成を通じて全体的な幾何学も学習します。ここで、新規形状生成を容易にするため変分制約を利用しています。4つの形状解析タスクにおける優れた結果が示すように、MAP-VAE は最先端の手法よりもより識別力のある全体または局所特徴を学習することができます。