三维点云在二维图像空间中的分割学习。

简介：
本文旨在探讨如何高效地将三维点云数据投影到二维图像空间，这与以往研究，即在二维图像空间中分割三维点云的文献观点相反。我们着重研究解决此类点云投影问题的有效性，从而使传统二维卷积神经网络（CNN），例如U-Net，能够应用于细分任务。为此，我们受到图绘制技术的启发，并将其转化为整数规划问题，以学习每个单个点云的拓扑保留图与网格映射之间的对应关系。为了在实际应用中提升计算效率，我们进一步提出了一个创新性的分层近似算法。通过利用Delaunay三角剖分从点云构建图结构，并结合多尺度U-Net进行分割操作，我们在ShapeNet和PartNet数据集上分别取得了最新的性能表现，相较于现有文献，显著提升了精度。值得遗憾的是，在提交稿件后，我们不幸丢失了CVPR 2020的代码仓库。为了弥补这一缺失，我们发布了一个预训练的网络模型实例，其平均精度达到88.0%，类平均精度达到86.5%。最新的ArXiv预印本可在获取。Conda环境设置conda create -