摘要

尽管无监督特征学习在许多领域展示了其减少数据标注和网络设计工作量的优势，现有的无监督3D学习方法仍无法提供一种在各种形状分析任务中性能可与有监督方法相媲美的通用网络。本文提出了一种无监督方法，用于学习一个适用于不同形状分析任务的通用且高效的形状编码网络。该方法的核心思想是从未标注的3D点云中联合编码和学习形状及点特征。为此，我们将HR-Net适应于基于八叉树的卷积神经网络，通过融合多分辨率子网络来联合编码形状和点特征，并设计了一种简单而高效的多分辨率实例判别（MID）损失函数，以实现对形状和点特征的联合学习。我们的网络以3D点云作为输入，输出形状和点特征。训练完成后，该网络可以与简单的特定任务后端层连接，并针对不同的形状分析任务进行微调。我们评估了该方法的有效性和通用性，并通过一系列形状分析任务验证了我们的网络和损失函数设计，包括形状分类、语义形状分割以及形状配准任务。借助简单的后端层，我们的网络在所有无监督方法中表现出最佳性能，并且在小规模标注数据集的任务中达到了与有监督方法相当的性能。特别是在细粒度形状分割任务中，我们的方法甚至大幅超越了现有的有监督方法。