要約
点群は3次元表現の重要な形式である。しかし、点群に直接畳み込みを適用することは、データ構造が疎で不規則かつ順序がないため困難である。本論文では、点群の特徴学習と理解の問題に対処するための新しい補間畳み込み操作（Interpolated Convolution）であるInterpConvを提案する。この手法の核心は、離散的なカーネル重みの集合を使用し、補間関数によって点の特徴を近傍のカーネル重み座標に補間して畳み込みを行うことである。異なる疎さを持つ近傍を扱うために正規化項が導入されている。我々のInterpConvは置換不変性と疎性不変性を持ち、不規則な入力に対して直接的に対応できることが示されている。さらに、形状分類、オブジェクト部品セグメンテーション、室内シーンの意味解析などの点群認識タスクを扱うために、InterpConv層に基づいた補間畳み込みニューラルネットワーク（Interpolated Convolutional Neural Networks: InterpCNNs）を設計した。実験結果から、これらのネットワークは微細な局所構造と全体的な形状コンテキスト情報を効果的に捉えることができることが確認された。提案手法はModelNet40、ShapeNet Parts、S3DISなどの公開ベンチマークにおいて最先端の性能を達成している。