Stable and Consistent Prediction of 3D Characteristic Orientation via Invariant Residual Learning

要約

同じクラスの異なる点群の外観が大きく異なる可能性があるため、3D 点群の信頼できる特徴的な方向を予測する方法を学習することは重要ですが、困難な問題です。
この研究では、安定性と一貫性の両方を達成するために、入力点群の形状ジオメトリとセマンティクスを分離する新しい方法を導入します。
提案された方法は、形状幾何学ベースの SO(3) 等変学習と形状意味論ベースの SO(3) 不変残差学習を統合しており、最終的な特性方向は、次を使用して SO(3) 等変方向仮説を校正することによって取得されます。
SO(3) 不変の残差回転。
実験では、提案された方法は優れた安定性と一貫性を実証するだけでなく、ランダムに回転された入力を与えて点群部分のセグメンテーションに適用した場合に最先端のパフォーマンスも示します。

要約(オリジナル)

Learning to predict reliable characteristic orientations of 3D point clouds is an important yet challenging problem, as different point clouds of the same class may have largely varying appearances. In this work, we introduce a novel method to decouple the shape geometry and semantics of the input point cloud to achieve both stability and consistency. The proposed method integrates shape-geometry-based SO(3)-equivariant learning and shape-semantics-based SO(3)-invariant residual learning, where a final characteristic orientation is obtained by calibrating an SO(3)-equivariant orientation hypothesis using an SO(3)-invariant residual rotation. In experiments, the proposed method not only demonstrates superior stability and consistency but also exhibits state-of-the-art performances when applied to point cloud part segmentation, given randomly rotated inputs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google