摘要

标准卷积在点云语义分割任务中存在固有局限性，主要源于其对特征的各向同性（isotropy）假设。该方法忽视了物体的结构信息，导致分割结果中物体边界模糊，并产生大量微小的伪影区域。为此，本文提出一种新型图注意力卷积（Graph Attention Convolution, GAC），其卷积核能够根据物体结构动态调整为特定形状，从而实现结构自适应。具体而言，GAC通过为不同邻近点分配适当的注意力权重，能够依据动态学习到的特征，有选择性地聚焦于最具相关性的局部区域。卷积核的形状由注意力权重的分布学习结果决定。尽管结构简洁，GAC能够有效捕捉点云的结构化特征，实现细粒度分割，并有效避免不同物体间特征的相互污染。理论上，本文对GAC的表达能力进行了系统分析，阐明了其学习点云特征的机制；实验上，我们在多个具有挑战性的室内与室外数据集上对所提方法进行了评估，结果表明GAC在两种场景下均达到了当前最优的分割性能。