摘要

三维点云数据上的深度神经网络已在现实世界中得到广泛应用，尤其是在安全关键型应用场景中。然而，现有研究对这些模型在面对数据退化（corruptions）时的鲁棒性关注仍显不足。本文提出了ModelNet40-C，这是首个针对三维点云数据退化鲁棒性的综合性基准测试，包含15种常见且具有现实意义的退化类型。我们的评估结果显示，当前最先进的（SOTA）模型在ModelNet40与ModelNet40-C上的性能之间存在显著差距。为缩小这一差距，我们在系统评估了多种数据增强与测试时自适应策略后，提出了一种简单而有效的方法：将PointCutMix-R与TENT相结合。该方法在不显著增加计算开销的前提下，显著提升了模型在退化条件下的泛化能力。此外，我们总结出若干对未来点云识别中退化鲁棒性研究具有指导意义的关键洞见。例如，我们发现：在采用合适训练策略的前提下，基于Transformer的架构能够实现最强的鲁棒性表现。我们希望本研究的深入分析能够推动三维点云领域中更鲁棒的训练策略或网络架构设计的发展。本文所涉及的代码库与数据集已公开，详见：https://github.com/jiachens/ModelNet40-C。