Robust Point Cloud Processing through Positional Embedding

要約

エンド・ツー・エンドで学習された点群単位の埋め込みは、検出やアライメントといった最先端の3D点群処理には欠かせない要素です。PointNetのような手法や、より最近の点群変換器（およびその亜種）は、すべて学習された点群ごとの埋め込みを採用しています。印象的なパフォーマンスにもかかわらず、このようなアプローチは分布外（OOD）ノイズや外れ値の影響を受けやすい。本論文では、帯域幅の基準に基づく解析的な点毎の埋め込みの役割を探求する。帯域幅の概念を用いることで、位置埋め込み、特にランダムフーリエ特徴量といった、別の点毎の埋め込みとの関連性を見出すことができる。我々は、点群分類やレジストレーションのような下流のタスクにおいて、いくつかのカテゴリのOODノイズに対して説得力のある頑健な結果を提示する。

要約(オリジナル)

End-to-end trained per-point embeddings are an essential ingredient of any state-of-the-art 3D point cloud processing such as detection or alignment. Methods like PointNet, or the more recent point cloud transformer — and its variants — all employ learned per-point embeddings. Despite impressive performance, such approaches are sensitive to out-of-distribution (OOD) noise and outliers. In this paper, we explore the role of an analytical per-point embedding based on the criterion of bandwidth. The concept of bandwidth enables us to draw connections with an alternate per-point embedding — positional embedding, particularly random Fourier features. We present compelling robust results across downstream tasks such as point cloud classification and registration with several categories of OOD noise.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL