返回
High-fidelity point cloud generation via multi-scale attentive feature fusion with graphSAGE and transformer
10.1007/s00371-026-04389-y
2026-02-28
0
PRE
AI
摘要
En 中文
在3D点云生成任务中，传统的几何优化方法难以捕捉高维空间中的复杂结构。近年来，基于深度学习的注意力机制、Transformer和图卷积网络显著提升了点云表示和生成质量。然而，现有方法往往难以同时捕捉多尺度几何特征并有效耦合局部与全局结构。我们提出了PointAttn-TransGraphNet，一个用于多尺度注意力特征融合和点级局部-全局耦合的集成框架。在编码器侧，PointAttention将点级线索自适应聚合到全局token中，并通过轻量级Transformer进行低成本优化。在解码器侧，基于GraphSAGE的层次结构在各阶段对k近邻图执行带残差连接的平均聚合消息传递，生成显式的多尺度表示；在每次上采样阶段，融合MLP将编码器的全局token注入各点局部特征，实现点级局部-全局特征融合的同时提升分辨率。我们在两个互补任务上进行评估。在ShapeNet上，我们的方法在绝大多数指标上均取得一致且显著的优越性。在ModelNet40上，我们遵循无监督表示学习协议并报告线性评估准确率，其中我们的特征优于强基线。同时，该模型在保持可比FLOPs的情况下实现了更少的参数量和更低的推理时间，验证了轻量级设计的有效性。消融实验表明，尽管计算主要受解码器主导，但加深轻量级编码器能以可忽略的开销提升全局语义；模块消融进一步确认了它们在多尺度解码中的互补作用。支持本研究代码和数据可在https://github.com/zhangyunyun1/PointAttn-TransGraphNet (DOI: https://doi.org/10.5281/zenodo.15303929)获取。
关键词:
Point cloud generation
Multi-scale feature fusion
Lightweight transformer
Hierarchical graphSAGE decoder
Point-wise local–global fusion
期刊
T
IF:
0
论文数: 296
・
被引数: 0
学者
Y
Yunyun Zhang
H 指数:
0
论文数: 1
・
被引数: 0
Z
Zhongrong Zhang
H 指数:
0
论文数: 2
・
被引数: 0
Y
Yulin Shen
H 指数:
0
论文数: 2
・
被引数: 0
A
Aizhu Li
H 指数:
0
论文数: 1
・
被引数: 0
K
Kang Lin
H 指数:
0
论文数: 2
・
被引数: 0
查看更多内容机构
U
university
学者数:
1.9W
论文数: 7.8K
・
被引数: 3
S
science and technology
学者数:
378
论文数: 181
・
被引数: 0
A
advanced computing of gansu province
学者数:
1
论文数: 2
・
被引数: 0
引用论文