摘要

基于点云的3D物体检测是一项具有挑战性的视觉任务，广泛应用于理解三维视觉世界。近年来，大量研究聚焦于如何利用端到端可训练的霍夫投票（Hough voting）机制生成物体候选区域。然而，现有的投票策略仅能从潜在物体表面接收部分有效投票，同时受到杂乱背景中大量离群点的干扰，导致输入点云中的信息未能被充分挖掘和利用。受传统霍夫投票方法中回溯（back-tracing）策略的启发，本文提出一种新型3D物体检测方法——回溯代表性点网络（Back-tracing Representative Points Network, BRNet）。该方法通过生成式地从投票中心回溯代表性点，并进一步重新审视这些生成点周围的互补种子点，从而更有效地捕捉原始点云中潜在物体周围的精细局部结构特征。由此，BRNet采用自底向上再自顶向下的协同策略，强化了预测投票中心与原始表面点之间的相互一致性，显著提升了物体定位与类别预测的可靠性与灵活性。所提出的BRNet结构简洁而高效，在两个大规模点云数据集上均显著超越当前最先进方法：在ScanNet V2数据集上，mAP@0.50提升7.5%；在SUN RGB-D数据集上，mAP@0.50提升4.7%。同时，该模型保持轻量化与高效率。代码将开源，地址为：https://github.com/cheng052/BRNet。