摘要

三维点云是连续表面的离散样本，可用于多种应用。然而，缺乏真实的连接信息（即边缘信息）使得点云识别变得具有挑战性。近期的一些边缘感知方法通过在网络设计中引入边缘建模来更好地描述局部结构。尽管这些方法表明整合边缘信息是有益的，但其具体如何发挥作用仍不清楚，这给用户分析其有效性带来了困难。为了阐明这一问题，本研究提出了一种新的算法——扩散单元（Diffusion Unit, DU），该算法以一种原则性和可解释的方式处理边缘信息，并提供了显著的性能提升。首先，我们从理论上证明了DU能够学习执行有利于任务的边缘增强和抑制。其次，我们通过实验观察并验证了这种边缘增强和抑制行为。最后，我们实证展示了这种行为有助于性能的提高。在具有挑战性的基准测试上进行的广泛实验和分析验证了DU的有效性。特别是，我们的方法在使用ShapeNet部件数据集的对象部件分割以及使用S3DIS数据集的场景分割任务中达到了最先进的性能。我们的源代码可在https://github.com/martianxiu/DiffusionUnit 获取。