Point2Seq: Quantized Serialization Encoding for Object Point Cloud Pretraining

Xumin Yu

doi:10.1007/s11263-026-02884-2

Point2Seq: Quantized Serialization Encoding for Object Point Cloud Pretraining

2026-05-26

0

PRE

AI

DOI：10.1007/s11263-026-02884-2

原文链接

原文求助

摘要

En 中文

点云作为一种无结构的点集，已成为现代3D深度学习任务中的关键数据格式，促进了从物体识别到场景理解等应用。然而，基于体素化或分组策略的传统点云编码方法在局部点云处理中常存在低效性和歧义性。这些限制可能阻碍精细特征提取，影响3D学习模型的总体性能。值得注意的是，紧凑表示（如3D形状重建中使用的神经场表示）在捕捉3D物体的结构完整性和复杂细节方面表现出卓越能力。然而，这些先进表示在判别性任务中的应用仍属未探索领域。为应对这些挑战与机遇，我们提出Point2Seq，一种新型点云编码方法。Point2Seq通过利用序列化和离散编码技术构建点云的新表示。该方法将点云转换为基于网格的格式，不仅支持高效的空间插值，还便于下游任务感受野的扩展，从而增强模型捕捉上下文和空间关系的能力。为全面评估Point2Seq的有效性，我们在多样化的标准对象级点云基准上进行了广泛评估。我们的实验涵盖广泛任务，包括点云补全等低级任务、分类和部件分割等高级任务，以及少样本学习场景。结果表明，Point2Seq在这些任务中均达到当前最佳性能。此外，输入数据噪声的减少使我们的表示在下游任务训练中收敛更快，进一步凸显其优越性。Point2Seq的代码将公开发布，以促进可重复性和该领域的进一步研究。

Keyword:

Point cloud encoding

Neural field representation

Spatial interpolation

Object-level benchmarks

Few-shot learning

Point2Seq: Quantized Serialization Encoding for Object Point Cloud Pretraining

摘要

期刊

机构

引用论文