摘要

近年来，点云学习的进展使得智能车辆和机器人能够更好地理解三维环境。然而，处理大规模三维场景仍然是一个具有挑战性的问题，因此高效的降采样方法在点云学习中发挥着至关重要的作用。现有的降采样方法要么需要巨大的计算负担，要么牺牲了细粒度的几何信息。为此，本文提出了一种先进的采样器，能够在保证高精度的同时实现高效性。该方法以体素中心采样为基础，但有效解决了体素尺寸确定和关键几何线索保留方面的挑战。具体而言，我们提出了一种体素自适应模块（Voxel Adaptation Module），该模块根据基于点的降采样比例自适应调整体素尺寸。这确保了采样结果在理解各种三维对象或场景时表现出良好的分布特性。同时，我们引入了一个网络，该网络可以兼容任意体素尺寸进行采样和特征提取，同时保持高效率。所提出的这种方法在三维目标检测和三维语义分割任务中得到了验证。与现有的最先进方法相比，我们的方法在室外和室内大规模数据集（如Waymo和ScanNet）上实现了更高的精度，并且具有令人满意的效率。