E (3) 等变点网络近似分段

ICLRFeb, 2024

Approximately Piecewise E(3) Equivariant Point Networks

Matan Atzmon, Jiahui Huang, Francis Williams, Or Litany

TL;DR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。

Abstract

Integrating a notion of symmetry into point cloud neural networks is a provably effective way to improve their generalization capability. Of particular interest are $E(3)$ equivariant point cloud networks where E

symmetry point cloud neural networks $e(3)$ equivariant partition prediction approximate piecewise-$e(3)$ equivariant point networks

发现论文，激发创造

E2PN: 高效的 SE (3) 等变点网络

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。

Jun, 2022

E$^3$-Net：高效的 E (3)- 等变法向量估计网络

通过提出 E3-Net，引入一种高效的随机框架方法、高斯加权损失函数和感知层感知推理策略来实现点云法线估计的等变性，从而显著提高了模型的准确性。与当前最先进的技术相比，我们在两个合成数据集和一个真实世界数据集上的结果都更优秀，RMSE 分别提高了 4%、2.67% 和 2.44%。

Jun, 2024

用于三维点云分析的等变点网络

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。

Mar, 2021

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

Banana: Banach 定点网络在点云分割中的应用，具有 Inter-Part 等变性

本文介绍了一种名为 Banana 的 Banach 不变点网络，用于将分割等变性与部分分配标签和部分 SE (3) 等变性同时演化。通过实验，我们证明了我们的方法在形状和拓扑结构发生大量变化时，即使在受到部分间转换的影响时，也能有效地实现强鲁棒性。

May, 2023

利用关节可见性进行神经人体拟合的通用性及对未见姿态的推广

本文介绍了一种将参数化人体模型适应于点云数据的新方法 ——ArtEq。通过使用基于部分的 SE（3）- 等变神经结构来完成 SMPL 模型对点云的估计，并通过对等变姿态回归模块进行改进来实现对训练过程之外的姿态的泛化能力的提升。在实验中，ArtEq 方法的表现比同类方法提高了 74.5%，并且速度快了三个数量级。

Apr, 2023

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

基于点云深度学习的平滑、精确旋转对称化

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。

May, 2023

e3nn：欧几里德神经网络

e3nn 是一种通用的框架，用于创建 E (3) 可变换的可训练函数，操作对象为描述三维系统的几何和几何张量，并能运用核心的张量积类和球谐函数来构建复杂的模块，例如卷积和注意力机制，可用于高效地处理张量场网络，三维中的可定向卷积神经网络，Clebsch-Gordan Networks，SE (3) 变换和其他 E (3) 可变换网络。

Jul, 2022

SE (3)-Transformers：三维旋转平移等变注意力网络

本文介绍了 SE (3)-Transformer，一种用于 3D 点云和图形的自我注意模块，它在连续 3D 旋转变换下具有等变性。SE (3)-Transformer 利用自我注意的好处来处理点云和图形，同时保证了 SE (3)- 等变性，从而提高了模型的稳健性和预测性能。本文的模型在多个数据集上均取得了竞争性能，超过了一个强的非等变的基准模型和一个等变的模型没有注意力。

Jun, 2020