ICLR2023 | 阿卜杜拉國王科技大學最新發布，3D表示新網絡：多視圖+點云！(1)

多視圖投影方法在 3D 分類和分割等 3D 理解任務上表現出了良好的性能。然而，目前尚不清楚如何將這種多視圖方法與廣泛使用的 3D 點云相結合。

人類視覺系統更接近于使用多個視角的間接方法來理解3D物體，而不是直接處理3D數據。相比之下，間接方法通常通過渲染對象或場景的多個2D視圖，并使用基于2D圖像的傳統架構來處理每個圖像。人類視覺系統更接近于這種多視圖間接方法，因為它接收到的是渲染圖像流，而不是顯式的3D數據。

引入了Voint cloud這個新的3D數據表示形式，并設計了VointNet 模型來學習和處理這種表示。Voint cloud將每個3D點表示為從多個視角提取的特征集合，以融合點云表示的緊湊性和多視圖表示的自然感知能力。

作者通過定義在Voint級別的池化和卷積操作，構建了Voint neural network (VointNet )，并利用該網絡在Voint空間學習3D表示。

多視圖投影方法在 3D 分類和分割等 3D 理解任務上表現出了良好的性能。然而，目前尚不清楚如何將這種多視圖方法與廣泛使用的 3D 點云相結合。以前的方法使用未學習的啟發式方法在點級別組合特征。

為此，本文引入了多視點云（Voint cloud）的概念，將每個 3D 點表示為從多個視點提取的一組特征。這種新穎的 3D Voint 云表示結合了 3D 點云表示的緊湊性和多視圖表示的自然視圖感知。自然地，可以為這個新的表示配備卷積和池化操作。

通過部署一個 Voint 神經網絡 (VointNet ) 來學習Voint 空間中的表征。學習的新穎表示在標準基準（ScanObjectNN、ShapeNet Core55 和 ShapeNetParts）的 3D 分類、形狀檢索和穩健的 3D 部件分割方面均實現了最先進的性能。

圖1: 3D Voint clouds。本文提出了多視圖點云(Voint cloud)，這是一種新穎的3D表示，它緊湊且自然地描述了3D點云的視圖投影。

• 3D云中的每個點都被標記為一個點，它會累積該點的視圖特征。
• 注意，并非所有的3D點在所有視圖中都可見。Voint 的集合構成了一個Voint cloud。

作者的動機是解決在3D視覺任務中如何表示3D數據的問題。

• 作者觀察到在2D計算機視覺中，直接采用圖像作為輸入的方法取得了巨大的成功，而在3D視覺中，如何表示和處理3D數據仍然是一個挑戰。

  盡管深度學習在2D計算機視覺中取得了巨大成功，但在3D視覺中，如何表示和處理3D數據仍然是一個挑戰。

  3D計算機視覺和計算機圖形學的一個基本問題是如何表示3D數據。深度學習在2D計算機視覺領域的成功，它在3D視覺和圖形領域的廣泛應用變得尤為重要。深度網絡已經在多個3D任務上取得了成功，包括3D分類、3D分割、3D檢測、3D重建和新穎視圖合成。這些方法可以依賴于直接的3D表示、圖像上的間接2D投影，或者兩者的混合。直接方法操作通常以點云、網格或體素的形式表示的3D數據。

• 作者認為間接的多視圖方法更符合人類視覺系統的工作方式，因為人類接收到的是一系列渲染圖像，而不是顯式的3D數據。

  人類視覺系統更接近于使用多個視角的間接方法來理解3D物體，而不是直接處理3D數據。

  相比之下，間接方法通常通過渲染對象或場景的多個2D視圖，并使用基于2D圖像的傳統架構來處理每個圖像。人類視覺系統更接近于這種多視圖間接方法，因為它接收到的是渲染圖像流，而不是顯式的3D數據。

• 多視圖方法在3D形狀分類和分割任務中已經取得了令人印象深刻的性能。然而，在多視圖表示中，如何正確聚合每個視圖的特征是一個挑戰。

  使用間接方法處理3D視覺任務具有三個主要優勢：(i) 成熟且可遷移的2D計算機視覺模型（如CNN、Transformers等），(ii) 大型和多樣化標記圖像數據集的預訓練支持（例如ImageNet），(iii) 多視圖圖像提供了豐富的上下文特征，根據視角提供信息，與幾何3D鄰域特征不同。

  多視圖方法在3D形狀分類和分割方面取得了令人印象深刻的性能。然而，多視圖表示（特別是在密集預測任務中）的挑戰在于如何正確地聚合每個視圖的特征以獲得具有代表性的3D點云。需要進行適當的聚合操作，以獲得每個點具有適用于典型點云處理流程的單個特征。

• 因此，動機是將多視圖的思想與常用的3D點云表示相結合，以提高3D理解任務的性能。

  以前的多視圖方法依賴于啟發式方法，例如將像素映射到點后進行平均或池化，或者與體素進行多視圖融合。然而，這種啟發式方法存在一些問題：(i) 這種方法可能會匯總來自不同視角的誤導性預測信息。例如，如果一個對象從底部視角獨立處理，而與其他視角結合時會產生錯誤的信息。(ii) 視圖缺乏幾何3D信息。

  為了解決這些問題，提出了一種新的混合3D數據結構，它繼承了點云的優點（緊湊性、靈活性和3D描述性），并利用了多視圖投影豐富的感知特征。這種新的表示稱為多視圖點云（或Voint cloud）。

引入了Voint cloud這個新的3D數據表示形式，并設計了VointNet 模型來學習和處理這種表示。

• Voint cloud將每個3D點表示為從多個視角提取的特征集合，以融合點云表示的緊湊性和多視圖表示的自然感知能力。

  作者通過將每個點表示為從多個視角提取的特征集合，構建了Voint cloud這種新的表示形式。這種表示繼承了點云表示的緊湊性和3D描述能力，并利用了多視圖投影的豐富感知特征。

  Voint cloud是由一組Voint組成的，每個Voint都是與視圖相關的特征（視圖特征），對應于3D點云中的相同點。每個Voint中的視圖特征的數量可能會有所不同。

  Voint cloud繼承了顯式3D點云的特性，這有助于學習適用于各種視覺任務（如點云分類和分割）的Voint表示。為了在新的Voint空間上應用深度學習，定義了一些基本操作，如池化和卷積。這些操作允許在Voint云上進行特征提取和處理。

• 作者通過定義在Voint級別的池化和卷積操作，構建了Voint neural network (VointNet )，并利用該網絡在Voint空間學習表示。

  通過定義在Voint級別的池化和卷積操作，作者設計了VointNet 模型，可以學習和處理Voint cloud表示。通過這種方式，作者旨在提高3D視覺任務的性能，并在標準基準測試中展示出最先進的性能。

  基于這些操作，提出了一種實用方法來構建Voint神經網絡，稱為VointNet 。VointNet 接受Voint cloud作為輸入，并輸出用于3D點云處理的點云特征。并展示了學習這種Voint cloud表示如何在ScanObjectNN和ShapeNet等數據集上產生良好的結果。通過VointNet 能夠有效地處理和分析3D點云數據，并為各種任務提供豐富的特征表示。

• 通過將每個點從不同視角的特征進行聚合，構建一個點云的緊湊而豐富的表示形式。
• 作者定義了Voint cloud的數據結構和基本操作，并在此基礎上設計了VointNet 模型。
• VointNet 接受Voint cloud作為輸入，輸出適用于3D點云處理的點云特征。
• 為了實現這個方法，作者在大規模的數據集上進行了實驗和評估，并與其他方法進行了比較。

該方法的好處：

1. 繼承了點云表示的緊湊性和3D描述能力，同時利用了多視圖投影的豐富感知特征。
2. 可以利用現有的2D計算機視覺模型和大規模圖像數據集進行預訓練，從而實現模型的遷移和加速訓練過程。
3. 通過Voint cloud的池化和卷積操作，可以更好地融合來自多個視角的信息，從而提高3D理解任務的性能。
4. 在標準基準測試中，該方法取得了最先進的性能，表明它在3D分類、檢索和分割等任務上具有優越性能。
5. 對于遮擋和旋轉等問題，該方法也展現出更好的魯棒性。