AU-PD: An Arbitrary-size and Uniform Downsampling Framework for Point Clouds

要約

点群のダウンサンプリングは、数例を挙げると、計算コストと通信負荷を削減するために、点群内のポイントをダウンサンプリングするための重要な前処理操作です。
点群ダウンサンプリングに関する最近の研究は、タスクを意識した方法でサンプリングすることを学ぶことに集中して大きな成功を収めました。
ただし、既存の学習可能なサンプラーは、任意のサイズのサンプリングを直接実行できません。
さらに、それらのサンプル結果は常に多くの重複点で構成されています。
このホワイト ペーパーでは、AU-PD を紹介します。AU-PD は、サンプルからリファインする戦略に基づいて点群を任意の小さなサイズに直接ダウンサンプリングする、新しいタスク認識型のサンプリング フレームワークです。
指定された任意のサイズを指定すると、最初にタスクに依存しないプリサンプリングを実行して、入力ポイント クラウドをサンプリングします。
次に、事前にサンプリングされたセットを調整して、下流のタスクの損失によって駆動されるタスクを認識できるようにします。
改良は、事前にサンプリングされた各ポイントに、ポイント単位の多層パーセプトロン (MLP) によって予測された小さなオフセットを追加することによって実現されます。
このようにして、サンプル セットは元の分布からほとんど変化しないため、重複するケースが少なくなります。
注意メカニズムと適切なトレーニング スキームを使用して、フレームワークは事前にサンプリングされたさまざまなサイズのセットを適応的に改良することを学習します。
分類タスクと登録タスクのサンプル結果をそれぞれ評価します。
提案された AU-PD は、最先端の方法で競争力のあるダウンストリーム パフォーマンスを実現しながら、より柔軟で、サンプル セット内のオーバーラップ ポイントが少なくなります。
ソース コードは、https://zhiyongsu.github.io/Project/AUPD.html で公開されます。

要約(オリジナル)

Point cloud downsampling is a crucial pre-processing operation to downsample the points in the point cloud in order to reduce computational cost, and communication load, to name a few. Recent research on point cloud downsampling has achieved great success which concentrates on learning to sample in a task-aware way. However, existing learnable samplers can not perform arbitrary-size sampling directly. Moreover, their sampled results always comprise many overlapping points. In this paper, we introduce the AU-PD, a novel task-aware sampling framework that directly downsamples point cloud to any smaller size based on a sample-to-refine strategy. Given a specified arbitrary size, we first perform task-agnostic pre-sampling to sample the input point cloud. Then, we refine the pre-sampled set to make it task-aware, driven by downstream task losses. The refinement is realized by adding each pre-sampled point with a small offset predicted by point-wise multi-layer perceptrons (MLPs). In this way, the sampled set remains almost unchanged from the original in distribution, and therefore contains fewer overlapping cases. With the attention mechanism and proper training scheme, the framework learns to adaptively refine the pre-sampled set of different sizes. We evaluate sampled results for classification and registration tasks, respectively. The proposed AU-PD gets competitive downstream performance with the state-of-the-art method while being more flexible and containing fewer overlapping points in the sampled set. The source code will be publicly available at https://zhiyongsu.github.io/Project/AUPD.html.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google