基于全局视角关联的三维点云显著目标检测方法研究

（编辑推荐）本文提出显著性过滤网络(SFN)，通过残差关系感知Transformer模块(RRT)和全局双线性相关过滤模块(GBCF)，首次实现从全局视角解耦三维点云场景依赖的显著性表征。该研究突破传统局部特征聚合局限，在PCSOD基准测试中达到SOTA性能，为机器人视觉、三维场景理解等应用提供新思路。

　　

亮点

• 提出新型显著性过滤网络(SFN)，通过全局视角建模实现三维点云显著性目标检测

• 开发残差关系感知Transformer模块(RRT)，模拟人类视觉感知特性建立长程依赖

• 设计全局双线性相关过滤模块(GBCF)，利用空间-通道双线性关联实现显著性纯化

结论

本文提出的显著性过滤网络(SFN)创新性地采用两阶段策略：首先通过RRT模块捕获全局场景上下文，再利用GBCF模块从场景共性模式中纯化显著性特征。该方法在PCSOD基准测试中显著优于现有技术，为解决点云数据不规则性带来的检测难题提供了新范式。实验证明全局视角建模能有效提升三维显著性检测的准确性，为自动驾驶、增强现实等领域的视觉理解任务奠定基础。