TL;DR该论文研究了如何将点云作为非结构化数据进行处理以实现高效、精确的几何处理和分析方法，提出了一种基于多项式函数的神经网络技术用于 3D 形状分类，实验表明该网络在性能和计算效率方面均取得了最先进的结果。
Abstract
A fundamental question in learning to classify 3D shapes is how to treat the
data in a way that would allow us to construct efficient and accurate geometric
processing and analysis procedures. Here, we restrict ourselves to networks
that operate on point clouds. There were several atte
PointMoment 是一种用于点云自监督表示学习的新框架，它利用高阶混合矩损失函数而不是传统的对比损失函数，计算特征变量的高阶混合矩并强制其分解为各自矩的乘积，从而使多个变量更加独立并最小化特征的冗余。该方法还结合了对比学习方法，用于最大化相同点云的不同数据增强下的特征不变性。实验结果表明，PointMoment 在 3D 点云分类和分割等下游任务上优于先前的无监督学习方法。
本研究研究了 3D 形状分类的表示和架构的作用，通过变化训练示例的数量和使用跨模态迁移学习，研究了现有深度架构的初始化对 3D 形状分类的影响，结果表明，多视图方法即使没有在大型标记图像数据集上预训练，甚至在训练简化输入（如二进制轮廓）时，也能提供最好的泛化性能。此外，从图像表示进行跨模态传输可以改善基于体素的 3D 卷积网络和基于点的架构的性能。最后，通过不可区分噪声，研究了 3D 形状分类器对于对抗性变化的鲁棒性，结果发现基于点的网络对于点位置扰动更为稳定，而基于体素和多视图的网络则很容易被输入中的微不足道的噪声所欺骗。