探索超图上局部与全局一致相关性在旋转不变点云分析中的应用

《IEEE Transactions on Multimedia》：Exploring Local and Global Consistent Correlation on Hypergraph for Rotation Invariant Point Cloud Analysis

针对传统点云旋转不变性分析依赖有损区域描述的局限性，提出全局局部一致性超图交叉注意力网络（GLC-HCAN）。通过GCF分支多姿态PCA分组提升全局理解，LCF分支利用局部最远参考点增强区域描述，HyperCA模块构建融合全局-局部特征的超图，采用注意力机制捕捉高阶复杂关联，显著提升三维物体分类与检索效果。

　　

摘要：

旋转不变点云分析在许多实际应用中至关重要，因为物体可能以任意方向出现。传统的局部旋转不变方法依赖于有损的区域描述符，这限制了对3D物体的全局理解。相反，从姿态对齐中提取的全局特征可以捕获补充信息。为了利用局部和全局的一致性以提高准确性，我们提出了全局-局部一致超图交叉注意力网络（GLC-HCAN）。该框架包括全局一致特征（GCF）表示分支、局部一致特征（LCF）表示分支和超图交叉注意力（HyperCA）网络，通过全局-局部一致的超图表示学习来建模复杂的相关性。具体来说，GCF分支采用基于PCA的多姿态分组和聚合策略来提高全局理解能力。同时，LCF分支使用局部最远参考点特征来增强局部区域描述。为了捕获高阶和复杂的全局-局部相关性，我们构建了整合这两种特征的超图，从而相互增强和融合表示。归纳性的HyperCA模块利用注意力技术更好地利用这些高阶关系，以实现全面的理解。因此，GLC-HCAN提供了一个有效且鲁棒的旋转不变点云分析网络，适用于SO(3)中的物体分类和形状检索任务。在合成和扫描点云数据集上的实验结果表明，GLC-HCAN的性能优于现有的最先进方法。

引言

3D数据分析是计算机视觉和计算机图形学中的一个重要课题[1]、[2]、[3]、[4]，其中识别和检索是基本任务[5]、[6]、[7]、[8]。近年来，随着深度相机和激光雷达等3D传感器的发展，基于点云的3D模型识别和检索方法变得越来越重要，这些传感器能够以更低的成本直接获取点云。