equivariance has been a long-standing concern in various fields ranging from
computer vision to physical modeling. Most previous methods struggle with
generality, simplicity, and expressiveness -- some are designed ad hoc for
specific data types, some are too complex to be accessible,
本文提出了一个有效的 SE(3)网络,它是针对点云分析领域中 3D 形状对齐任务而设计的,可以利用等变特征来提高性能并解决相对较少探索的旋转等变特征对 3D 形状对齐任务的处理问题。我们采用一个新的框架 SE (3) 可分点卷积来降低计算成本,并在网络中引入一个注意力层来有效地利用等变特征的表达能力。通过广泛的研究和视觉解释,实证结果表明,我们提出的模型在各种基准测试中优于强基线。
本文提出了一种新的低层纯旋转不变表示,以替代常见的 3D 笛卡尔坐标作为神经网络的输入,并介绍了一种网络结构来将这些表示嵌入为特征,编码点与邻居之间以及全局形状结构之间的局部关系,并通过区域关系卷积来编码局部和非局部信息以缓解因旋转不变表示引起的全局信息丢失。在多个点云分析任务上评估我们的方法,包括形状分类、部件分割和形状检索,实验结果表明与现有技术相比,我们的方法在任意方向上的输入上实现了一致且最佳的性能。
本文提出了一个用于学习来自 3D 点云的 SE (3)- 等变特征的卷积结构。它将 KPConv(一种广泛用于处理点云数据的卷积形式)视为等变版本。通过组合群卷积和商表示,我们实现了一个简单,轻量级,快速的设计,能与现有的任务特定点云学习管道集成,同时在各种任务中实现了可比较或更优的性能,消耗更少的内存和运行速度更快。通过实验,我们展示了该方法可以促进点云等变特征学习在实际应用中的采用并激发未来应用的发展。