论文笔记-PointASNL: Robust Point Clouds Processing using Nonlocal Neural Networks with Adaptive Sampling

Hello，这是论文阅读计划的第23篇啦～

一、背景介绍

得益于3D传感器的广泛应用，在自动驾驶、机器人和位置识别等多领域应用中

与2D图像相比，在稀疏特征和无序属性方面存在显著差异，这使得鲁棒的点云处理问题成为一个极具挑战性的任务。此外，在这些3D传感器或重建算法获取的实际数据中，在真实环境中不可避免地含有异常观测数据或噪声污染。

与二维图像不同，在三维空间中处理非结构化的点云数据时传统卷积操作面临独特挑战。现有研究中通常采用采样方法从原始点云中选择样本来进行局部特征学习。其中最远点采样（FPS）、泊松圆盘采样（PDS）以及甘贝尔子集采样（GSS）是以往工作中提出的主要解决方案。然而 FPS 根植于任务相关的距离指标这种指标对异常值敏感难以有效应对复杂场景下的数据噪声问题。PDS 则作为一种预先定义的统一采样策略 由于缺乏数据驱动自适应机制同样无法从根本上解决上述挑战。而 GSS 则主要基于高维嵌入空间中的均匀抽样策略 但在实际应用中往往忽视了样本在空间分布上的多样性需求。综上所述 这些现有方案在共同的关键缺陷在于其均受限于对有限个样本的学习能力 因此 如图1所示 如果一个异常样本被纳入抽样集合 将不可避免地对其余特征提取过程产生负面影响

为了解决这些问题, 我们开发了一种新型的抗干扰的点云处理系统, 并将其命名为点云神经网络. 该系统能够可靠地处理包含噪声或异常数据的三维空间信息.

二、相关工作

基于体积和基于投影的方法：

由于点云数据具有稀疏性且占用内存较大，在直接进行体素化处理后利用三维卷积提取特征时效率较低

基于点的学习方法：

PointNet 是一种开创性的稀疏非结构化点云处理方法，在稀疏和非结构化点云上实现了直接的全局特征提取能力。它通过逐点多层感知机（MLPs）结合最大池化操作提取全局特征信息。而 PointNet++ 采用了一种层次化结构设计——首先基于k-NN分组形成局部区域框架，并随后进行最大池化操作以获取区域级特征信息；然而由于该方法仅将局部特征简单地通过最大激活值进行聚合汇总而导致区域级特征尚未充分挖掘潜力；近期研究者们已为此类局部特征的有效聚合做出了诸多探索与尝试；而 PointCNN 则通过将相邻点按规范顺序排列使得传统卷积神经网络能够正常工作；相比之下 Point2序列则采用了注意力机制来整合不同局部区域的信息；此外还有些方法引入了邻域关系学习机制直接推导卷积动态权重参数；其中椭圆曲线与 RS-CNN 方法定义了6-D 和10-D向量作为边关系节点间联系；而 PCCN 和 PointConv 则通过对两点间相对位置投影到卷积权重实现了更为精细的特征映射；A-CNN 则采用环形卷积编码策略来捕捉不同距离的局部中心点相关特征；而 PointWeb 方法则进一步构建了局部区域内的每一点对连接关系从而生成更具代表性的区域级特征描述；然而这些方法均集中于局部特征的信息聚合问题并基于层次化架构从局部到全局逐步提取上下文关联信息；另一方面也有诸多研究致力于从局部特征中学习全局上下文关系：其中 A-SCN 引入了全局关注机制以整合全局级别的特征信息但它缺乏对局部位件的具体关注支持因而难以取得理想效果表现不够理想；DGCNN 提出了基于边缘卷积模块生成边缘特征求取邻居节点并将其融入到新的特征空间中实现邻居搜索过程；LPD 网络则在此基础上进一步扩展其空间感知能力——一方面它在空间邻居上进行了深入挖掘另一方面也在其邻域节点之间的关系上展开了更加深入的学习与探索但这种设计方式导致其空间感知窗口难以维持稳定进而影响整体网络性能表现

三、研究内容 & 贡献

本文提出的点抽样算法主要由两个通用模块组成:自适应抽样模块和局部-非局部抽样模块 。自动采样模块用于调整采样点的坐标和特征，而本地采样模块用于捕获采样点的邻居和远程依赖关系。
其中关键部分是自适应采样模块。它首先对来自最远采样点的初始采样点周围的邻域进行重新加权，然后自适应地调整整个点云以外的采样点。我们的adaptive sampling (AS)模块不仅有利于点云的特征学习，还可以缓解离群点的偏置效应。为了进一步限制采样点的邻域和长程相关性，我们提出了一个受非局部运算启发的局部-非局部(L-NL)模型。这种L-NL模块使得学习过程对噪声不敏感。

四、研究方法

整体结构图：

两个模块介绍图：

内部结构：

五、结果 & 结论

本文创新性地提出了自适应采样策略与新型局部-非局部模块组合设计，在鲁棒三维点云处理领域取得了突破性进展。通过融合本地邻居信息与全局语义特征交互，在多个基准测试中显著超越了传统方法。特别值得一提的是，在该研究中我们成功开发了一种全新的自适应采样机制，在提升采样效率的同时实现了对复杂场景的精准建模能力。此外，在竞争数据集上的实验结果表明所提出的方法在性能指标上具有显著优势，并通过深入分析验证了其有效性与可靠性。