对比性局部-全局图学习（CPG）：一种面向无标注点云数据的三维特征统一建模方法

【编辑推荐】针对点云标注成本高、现有方法难以兼顾局部与全局特征的问题，本研究提出对比性局部-全局图（CPG）预训练策略。通过将无序点云转化为结构化图表示，结合局部节点对比与全局图自蒸馏任务，显著提升多种点云编码器在分类、分割、检测等下游任务中的性能，为三维视觉领域提供通用性强的新型自监督学习框架。

　　

三维点云作为真实几何信息的重要载体，在自动驾驶、机器人等领域具有关键应用价值。然而，点云数据的非结构化特性使其标注成本极高，传统手工特征方法难以适应现代数据的复杂需求。尽管深度学习显著推进了点云分析技术，但现有方法往往陷入两难困境：专注于局部点级特征的方法（如PointContrast）会丢失场景上下文，而全局场景级预训练（如DepthContrast）则忽略细粒度特征。这种尺度割裂问题严重制约了点云模型的泛化能力。

针对这一挑战，研究人员提出对比性局部-全局图（Contrastive Patch-Graph, CPG）预训练策略。该方法创新性地将点云转化为结构化图表示——通过分割非重叠局部区块作为图节点，并学习多维边特征描述区块间语义关系。基于此框架，CPG同步实施局部区块实例判别与全局图自蒸馏任务，首次实现局部几何结构与全局语义上下文的统一建模。实验表明，CPG在ModelNet40（分类）、S3DIS（分割）等基准测试中全面超越现有自监督方法，最高提升达3.2% mIoU（语义分割指标）。相关成果发表于《Pattern Recognition》，为三维视觉领域提供了通用性强的新型预训练范式。

关键技术方法包括：1）基于FPS（最远点采样）和KNN（k近邻）的局部区块划分；2）可学习GNN（图神经网络）边特征编码器；3）双任务对比学习框架（局部NCE损失+全局KL散度）；4）ShapeNet和ScanNet跨数据集预训练策略。

【Graph-based point clouds analysis approach】
通过对比传统图网络方法（如GraphTER），阐明CPG创新性在于动态学习多维边特征，而非固定几何关系。实验证明该设计使边特征维度与语义关联度的Pearson相关系数达0.87。

【Methodology】
核心算法分三阶段：1）区块图构建阶段，采用自适应半径聚类生成256个节点；2）边特征学习阶段，通过多头注意力机制生成12维边特征；3）对比学习阶段，局部任务采用温度系数τ=0.1的InfoNCE损失，全局任务采用JS散度约束。

【Experiments】
在ScanNetV2检测任务中，CPG预训练的PointNet++较基线提升2.4% AP₅₀
；S3DIS分割任务中，区块级对比学习使边界区域mIoU提升9.7%。特征可视化显示CPG能显著增强椅子扶手等细部结构的特征响应。

【Conclusion】
CPG首次实现点云局部-全局特征的端到端自监督学习，其创新性体现在：1）可解释的图结构表示；2）任务自适应的边特征学习；3）轻量级架构（仅增加3.8%参数量）。局限性在于尚未融合多模态数据，未来将探索与视觉语言模型（如3D-LLM）的联合预训练。

该研究为三维视觉领域贡献了三大价值：方法论上开创图表示与对比学习的融合范式；技术上提供即插即用的预训练方案；应用上推动自动驾驶等场景的少样本学习发展。作者团队特别指出，CPG的区块划分策略可扩展至点云压缩、医疗影像分析等跨领域任务。