45、DiffConv：以不规则视角分析不规则点云

DiffConv：以不规则视角分析不规则点云

1. 引言

随着 3D 传感器的普及和成本降低，点云作为 3D 对象的常用表示，在自动驾驶、医疗机器人和虚拟现实等计算机视觉领域得到广泛应用。工业需求促使人们挖掘点云的几何信息，推动了深度学习模型学习有效的局部点特征。

局部特征学习通常包括点分组和特征聚合两个步骤。然而，点云的无序和非结构化特性给处理带来了挑战，标准卷积神经网络（CNNs）只能处理规则网格数据。现有的点云处理方法往往模仿图像卷积的规则视角，这给点云结构带来了归纳偏差。

常见的规则点分组方法，如 k 近邻（KNN）分组和球查询，存在一些问题。KNN 分组对噪声和离群点敏感，会将它们与远处的点分组在一起，影响下游特征；球查询使用固定半径，可能导致低密度区域被误判为噪声。

为了解决这些问题，本文提出了一种新的图卷积算子——差异图卷积（diffConv），以不规则视角处理点云。diffConv 改进了球查询，采用密度扩张邻域，使每个点的半径取决于其核密度，还引入了掩码注意力机制，为邻域引入额外的不规则性。

本文的主要贡献如下：
- 提出了不依赖规则视角约束的局部特征聚合器 diffConv。
- 提出了密度扩张球查询，根据局部点云密度调整视角，减轻噪声和离群点的影响。
- 首次将掩码注意力引入局部点特征聚合，结合拉普拉斯平滑，学习更多不规则性，关注上下文特征差异。
- 通过堆叠 diffConv 层构建了分层学习架构，实验表明该模型在无噪声环境下与现有方法表现相当，在有噪声环境下远超现有方法。

2. 背景与相关工作

大多数 3D 点云模型试图通过固定规则视角将 C