.png){kind=icon}
返回
CS-Net: Contribution-Based Sampling Network for Point Cloud Simplification
.png){kind=icon}
PRE
AI
DOI：10.1109/TVCG.2025.3591189.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
点云采样在降低各类视觉任务的计算成本和存储需求方面发挥着关键作用。传统采样方法（如最远点采样）缺乏任务特定信息，因此无法保证在特定应用中实现最优性能。基于学习的方法训练网络以针对下游目标任务进行点云采样。然而，它们无法保证采样点是最相关的点。此外，它们可能导致采样点重复，需要通过后处理技术完成采样点云。为解决这些局限性，我们提出了贡献度采样网络（CS-Net），其中采样操作被表述为Top-$k$操作。为确保网络能够通过梯度下降算法进行端到端训练，我们使用熵正则化的最优运输问题对Top-$k$操作进行可微分近似。我们的网络由特征嵌入模块、级联注意力模块和贡献度评分模块组成。特征嵌入模块包含一个专门设计的空间池化层，以减少参数同时保留重要特征。级联注意力模块结合三个跳跃连接的偏移注意力层的输出，以强调吸引性特征并抑制不重要特征。贡献度评分模块为每个点生成贡献度评分，并引导采样过程优先选择最重要的点。在ModelNet40和PU147上的实验表明，CS-Net在两种基于语义的下游任务（分类和配准）以及两种基于重建的任务（压缩和表面重建）中均达到了当前最优性能。CS-Net还在KITTI激光雷达点云数据集的物体检测任务中实现了高平均精度，证明了其在三维物体检测中的有效性。
Keyword:
Point cloud
sampling
classification
compression
registration
期刊
IF:
6.5
论文数:
309
被引数:
2.2W
机构
引用论文
.png){kind=icon}
分享收藏AS-Net: An attention-aware downsampling network for point clouds oriented to classification tasks
PREAI
分享收藏
Dependence-Based Coarse-to-Fine Approach for Reducing Distortion Accumulation in G-PCC Attribute Compression减少g-pcc属性压缩中失真累积的基于依赖的从粗到细方法
PREAI
分享收藏分享收藏分享收藏分享收藏
查看更多内容