【论文阅读】【2201.00785v2】Implicit Autoencoder for Point Cloud Self-supervised Representation Learning

防止爬虫，原文链接：https

1. 四个问题

1. 解决什么问题（研究动机）

在无监督点云学习里，基于编码-解码 的无监督表征学习是一种范式。但是这样会带来一个问题：由于点云采样是随机变化的，这样会强制编码器学到变化的（但是这不是我们想要的，我们想要的是本质的，潜在的，可迁移的特征）。详见Abstract

2. 用了什么方法解决（方法）

by replacing the point cloud decoder with an implicit decoder（implicit decoder？ 具体的文中在2 Related Work 中Implicit Representations有介绍，暂时还不懂…）。

implicit decoder在文中说有这些好处，详见Abstract：Reconstructing under the implicit representation can prioritize that the encoder discards sampling variations, introducing more space to learn useful features

具体实作上：将x先用g() 映射为 g(x)就行了？？？

Explicit Autoencoder.：

Implicit Autoencoder.：

f, g, loss 的具体选择：

3. 效果如何

ModelNet-40 分类能排到 第2，上94了，94.2， 非常不错。

重点关注分类，当然文中还做了其它实验，具体可看文章。

4. 还存在什么问题

文中提到的：

1. 需要额外预处理数据
2. implicit function的选择是怎样的？有无改进空间？

2. 论文介绍

1 Introduction

文章对self-supervised representation learning不错的介绍：无标签数据，迁移能力


文章对autoencoder的介绍：

基于autoencoder的点云研究相关工作：

研究动机：不需要 强制学习到不必要的信息（如变换）

组合怪：implicit + self-supervised representation

解决方法：1. implicit function；2. IAE的学习过程以最小化两个隐函数的差为指导 ,绕过计算密集且不稳定的显式数据关联;3. 此外，不需要对整个点云进行解码，IAE更小，资源效率更高

3. 参考资料

https://paperswithcode.com/paper/implicit-autoencoder-for-point-cloud-self

4. 收获

文章关键词：implicit autoencoder + self-supervised

implicit 不了解… 相关工作中有介绍

本质上提出了framework，没有提出新的模型，将autoencoder中decoder 换成 implicit decoder 就能获得巨大提升？？？ （ModelNet40上94不容易，94.2（fine-tune））

生成模型中点云的相关损失函数了解：

文中作者还附带中许多数学证明，不清楚…

相关工作索引了解：
2 Related Work

1. Self-supervised Representation Learning on 2D image
2. Self-supervised Representation Learning on Point Cloud
3. Implicit Representations

生成模型，我的痛，还没有跑过一个实验，得抓紧学习 ，冲！