May, 2023

基于点云深度学习的平滑、精确旋转对称化

PDF
TL;DR本文介绍了一个通用的对称化协议，用于向任何给定模型添加旋转等变性，同时保留所有其他约束条件。我们将此方法应用于 Point Edge Transformer（PET）体系结构，并展示其在多个分子和固体基准数据集上实现了最先进的性能。通过减轻模型内显式纳入旋转对称性的需要，我们的方法弥合了不同社区所使用的方法之间的差距，并简化了化学和材料建模的深度学习方案的设计。
point cloudsdeep-learning modelsphysical constraintssymmetrization protocolchemical and materials modeling
发现论文，激发创造
  • 关于旋转等变点云网络的普适性

    研究点云上函数学习的神经网络结构具有形状不变性，首先推导出两个充分条件以获得普适逼近性能，在此基础上设计了两个新的普适网络结构。

    Oct, 2020

  • 点云识别的离散旋转等变性

    该论文提出了一种深度学习架构，能够在点云识别中实现离散的 SO（2）/SO（3）旋转等变性，通过消除置换并进行操作，提升了任何现有点云网络的性能，并在各种旋转下，展示了分类任务的最新成果。

    Mar, 2019

  • 张量场网络：旋转和平移等变神经网络在三维点云中的应用

    介绍了局部等变于 3D 旋转，平移和点的排列的张量场神经网络；使用球谐函数构建滤波器，接受标量、向量和高阶张量作为输入，并在几何意义下保证输出。用于处理几何、物理和化学任务。

    Feb, 2018

  • 用于有针对性分子发现的对称适应的 3D 点集生成

    利用深度学习的生成模型对分子和材料进行快速的预测，同时引入了一种能够识别非键合作用和立体异构体，并且能够偏向于小 HOMO-LUMO 间隙分子生成的生成式神经网络。

    Jun, 2019

  • 深度点云分析的旋转不变框架

    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。

    Mar, 2020

  • 将对称性纳入深度动力学模型中以提高泛化性能

    该研究提出将对称性引入卷积神经网络中，从而提高其在预测物理动态方面的准确性和泛化能力，该方法在实验和理论上都表现出了对分布转换的鲁棒性，并且在雷利 - 贝纳对流和真实世界的海洋表现上比传统方法更优秀。

    Feb, 2020

  • 物理学的对称群等变架构

    本文探讨了在物理学和机器学习领域中，研究对称群等变机器学习结构所带来的深度投资和收益，并讨论了应用这些方法的潜在益处和限制以及对不同物理应用的各种评估指标。

    Mar, 2022

  • ZZ-Net：适用于 2D 点云的通用旋转等变架构

    本文介绍了一种特殊的函数集合，用于近似任何连续旋转同变和置换不变函数，提出了一种新颖的神经网络结构来处理 2D 点云，并证明了其具有近似这些对称性的函数的普适性。还展示了如何扩展该结构以接受一组 2D-2D 对应作为输入，同时保持类似的同变性质，并在立体视觉中的基本矩阵估计上进行了实验。

    Nov, 2021

  • 设计对称神经网络处理三维点云

    该研究旨在通过引入群等变性，提高当前用于 3D 点云的神经网络的泛化和鲁棒性。在实验中，该方法表现出比其他群等变模型更优越的性能，且具有较低的复杂度和 GPU 内存占用，提升了诸如物体分类和语义分割等任务的性能。

    May, 2022

  • E (3) 等变点网络近似分段

    将对称性的概念融入点云神经网络中被证明是提高其泛化能力的一种有效方法。我们引入了 APEN，一个构建近似分段 $E (3)$ 等变点网络的通用框架，借助该观察，我们的设计能够仅基于 (i) 对分割预测的不确定性的量化和 (ii) 未能提出正确子分割的概率的界来限制每一层的等变性近似误差。通过两种数据类型的实证结果，即具有部件对称性的真实场景扫描和人体运动的部分，我们展示了 APEN 的有效性，相较于先前的工作，在分类和分割任务中显示了明显的泛化改进。

    Feb, 2024