摘要

近年来，直接处理点集中的点的深度网络（如PointNet）在点云的监督学习任务（如分类与分割）中已达到最先进水平。本文提出一种新颖的端到端深度自编码器，以应对点云上的无监督学习挑战。在编码器部分，引入基于图结构的增强机制，在PointNet的基础上进一步强化局部结构特征；随后，设计了一种新型基于折叠（folding）的解码器，将一个标准的二维网格变形映射至点云所对应的三维物体表面，即使对于具有精细结构的物体，也能实现较低的重建误差。所提出的解码器仅需全连接神经网络解码器约7%的参数量，却能生成更具判别性的特征表示，在线性SVM分类任务中取得优于基准方法的准确率。此外，理论上证明，该解码器结构是一种通用架构，能够从二维网格重建任意点云。相关代码已公开，可访问 http://www.merl.com/research/license#FoldingNet。