Concepts de base
為了解決一對多映射問題,本文提出了一種新的損失函數——補全一致性損失,用於增強點雲補全網路的效能。
Résumé
論文資訊
- 標題:增強點雲補全網路效能的一致性損失
- 作者:Kevin Tirta Wijaya, Christofel Rio Goenawan, Seung-Hyun Kong
- 發表日期:2024年10月9日
- 出處:arXiv:2410.07298v1 [cs.CV]
研究目標
本研究旨在解決點雲補全網路中存在的一對多映射問題,即一個不完整的點雲可能有多個有效的補全方案。
方法
本文提出了一種新的損失函數——補全一致性損失,用於增強點雲補全網路的效能。該損失函數通過同時考慮來自同一點雲源的多個不完整點雲視圖,來減少矛盾的監督訊號。
主要發現
- 補全一致性損失可以顯著提高現有點雲補全網路的效能,特別是在處理具有多樣幾何形狀的點雲集合時。
- 使用補全一致性損失訓練的簡單、快速的點雲補全網路可以達到與更複雜、更慢的網路相似的補全效能。
- 補全一致性損失可以提高點雲補全網路對先前未見過物件的泛化能力。
主要結論
補全一致性損失是一種有效的訓練策略,可以提高點雲補全網路的準確性、速度和魯棒性。
意義
本研究為開發準確、快速和魯棒的點雲補全網路提供了新的思路,這對於點雲處理的各種應用具有重要意義。
局限性和未來研究方向
- 未來可以進一步研究不同一致性損失組成部分的影響,以找到最佳的損失函數組合。
- 可以探索將補全一致性損失應用於其他點雲處理任務,例如點雲分割和點雲分類。
Stats
在 ShapeNet55 資料集上,使用一致性損失訓練的 PCN 的平均 CD 得分為 1.07 · 10−3,優於 PoinTr 的平均 CD 得分(1.09 · 10−3)。
使用一致性損失訓練的 AxFormNet 的平均 CD 得分為 0.91 · 10−3,優於 SeedFormer 的平均 CD 得分(0.92·10−3)。
在單個 RTX 3080Ti GPU 上評估時,PCN(1.9 毫秒)和 AxFormNet(5.3 毫秒)的推理延遲顯著低於 PoinTr(11.8 毫秒)和 SeedFormer(38.3 毫秒)。
在 ShapeNet55 資料集上,當點雲一致性損失的數量為 n = 2、3 和 4 時,點雲補全網路的效能顯著提高。
SVDFormer 的 Chamfer Distance 指標從 1.302 提高到 1.2731,AdaPointTr 的 Chamfer Distance 指標從 1.2802 提高到 1.2588。