PointASNL: Robust Point Clouds Processing using Nonlocal Neural Networks with Adaptive Sampling

來源：2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)

Abstract

• 由傳感器或重建算法獲取原始點雲包含異常值和噪聲
• PointASNL有效的處理帶有噪聲的點雲
• 方案的關鍵是自適應採樣算法(adaptive sampling)
• AS模塊有利於點雲的特徵學習，而且可以緩解異常值的偏差效應。
• 爲了進一步的捕獲採樣點的鄰域和長距離的依賴關係，受到nolocal的啓發，我們提出了一個local-nonlocal的關係模塊。
• LNL模塊使學習對噪聲不敏感。

introduction

• PointASNL由兩部分組成：adaptive sampling module和local-nonlocal module
• adaptive sampling module：調整採樣點的座標和特徵
• local-nonlocal module：捕獲採樣點的鄰域和長距離依賴
  當前的大多數方法通常使用採樣方法從原始點雲中選擇點來進行局部特徵學習。在這些採樣算法中，farthest point sampling，Poisson disk sampling，Gumbel subset sampling是在以前的工作中提出的。