01 、摘要

大多數先前的工作通過坐標表示點云的形狀。然而，直接利用坐標描述局部幾何是不充分的。在本文中，我們提出了 RepSurf（representative surface），這是一種新穎的點云表示，顯式的描述了非常局部的點云結構。

我們探索了 RepSurf 的兩種變體，Triangular RepSurf 和 Umbrella RepSurf，其靈感來自計算機圖形學中的三角形網格和傘形曲率。我們在表面重建后通過預定義的幾何先驗計算 RepSurf 的表征。RepSurf 可以成為絕大多數點云模型的即插即用模塊，這要歸功于它與無規則點集的自由協作。

基于 PointNet++（SSG 版本）的簡單基線，Umbrella RepSurf 在各種基準上的分類、分割和檢測在性能和效率方面都大大超過了之前的 state-of-the-art。在只有0.008M參數數量、0.04G FLOPs 和 1.12ms推理時間的增的情況下，我們的方法在分類數據集 ModelNet40 上達到 94.7% （+0.5%），在 ScanObjectNN 上達到 84.6% （+1.8%） ；而在分割任務的 S3DIS 6-fold 上達到74.3%（+0.8%） mIoU，在ScanNet 上達到70.0% （+1.6%） mIoU 。

對于檢測任務，我們的 RepSurf 應用于最先進的檢測器，并在 ScanNetV2 上達到71.2% （+2.1%） mAP25、54.8% （+2.0%） mAP50 和在 SUN RGB-D數據集上64.9% （+1.9%） mAP25、47.7% （+ 2.5%） mAP50的性能。我們的輕量級Triangular RepSurf 在這些基準測試中同樣表現出色。

02、 介紹

對原始點云表征（Point Cloud Representation）的處理因其在自動駕駛、增強現實和機器人技術等各種應用中的優勢而引起了相當大的關注。但是，點云局部表征的不穩定性使得這個任務非常有難度。

局部形狀對于點云的學習至關重要。為了從局部結構信息中學習，一些先前的工作從Grid（例如PointCNN）、Relation（例如RS-CNN）或Graph（例如DGCNN）中學習。

然而，這些方法通過加入更多成分（如歐幾里得距離、注意力機制）或應用各種變換（如圖形構造、體素化）隱式地從點云shape中提取局部特征。這些可能導致復雜的預處理或大量計算。我們認為這可能會導致在預定義成分時遺漏信息，或在轉換過程中損失幾何形狀。因此，本文探索了更穩定的顯式點云局部表征。

03、 動機

我們首先受到泰勒級數的啟發。泰勒級數用導數表示局部曲線。為了簡化它，我們只考慮到二階導數。因此，我們可以通過其對應的切線粗略地表示局部曲線，或者我們稱之為 3D 點云中的“surface”。

04、 方法

為了將2D Curve擴展到3D Surface，我們引入了兩種RepSurf變體（Triangular RepSurf和Umbrella RepSurf）來近似的描述點云局部特征：

兩種RepSurf的實現也非常簡潔：

05 、實驗

RepSurf分別在3D分類（ModelNet40，ScanObjectNN）、分割（S3DIS，ScanNet）、檢測（ScanNetV2，SUN RGBD）上達到了不俗的效果：

06 、結論

我們希望我們的工作能夠激發3D社區并喚起對點云的顯示表征的重新思考。我們認為 RepSurf 值得在不同領域（例如自動駕駛）或更大規模的點云上進行進一步探索，因為 RepSurf 有能力去處理真實場景中的大量背景點。RepSurf 還可以通過其對幾何敏感度的能力對點云采樣帶來幫助。

審核編輯：郭婷