摘要

三维点云分割为物体结构提供了高层次的语义理解，在医疗、机器人以及自动驾驶等领域具有重要应用价值。本文提出了一种用于三维点云分割的对抗式图卷积网络（Adversarial Graph Convolutional Network）。当前许多网络由于架构设计粗略及局部特征聚合方法的局限，普遍存在分割精度低、计算复杂度高等问题。为解决上述问题，本文提出两项关键创新：（a）在对抗学习框架下构建图卷积网络（GCN），其中判别网络向分割网络提供具有判别性的信息，以提升分割精度；（b）设计一种新型图卷积算子 GeoEdgeConv，作为局部特征聚合机制，以在提升分割精度的同时降低空间与时间复杂度。通过引入嵌入空间的 L2 损失作为对抗损失，所提网络能够通过强制邻近点标签的一致性，有效抑制标签噪声。GeoEdgeConv 通过同时利用点自身特征与相对位置特征，在卷积过程中有效保留几何结构信息，从而更精准地捕捉复杂结构的细微特征，显著提升边界分割精度，并在不增加计算开销的前提下有效减少类别内部的标签噪声。在 ShapeNet Part 数据集上的实验结果表明，所提模型在保持更低复杂度的同时，性能超越现有最先进方法（SOTA），展现出在低功耗但高精度要求的应用场景中具有广阔的应用前景。