文章题目：Self-supervised Point Cloud Representation Learning via Separating Mixed Shapes
作者：Chao Sun, Zhedong Zheng, Xiaohan Wang, Mingliang Xu and Yi Yang
论文链接：https://www.zdzheng.xyz/files/TMM_3D_Pre_Training.pdf
摘要：
大规模点云的手动注释需要花费大量时间，并且在恶劣的现实世界场景中通常不可用。 受视觉和语言任务中预训练和微调范式取得巨大成功的启发，我们认为预训练也是获得 3D 点云下游任务的可扩展模型的一种潜在解决方案。 因此，在本文中，我们探索了一种新的自监督学习方法，称为混合和分离 (MD)，用于 3D 点云表示学习。 顾名思义，我们混合两个输入形状并要求模型学习将输入与混合形状分开。 我们利用这个重建任务作为自我监督学习的借口优化目标。 有两个主要优点：
1）与流行的图像数据集（例如 ImageNet）相比，点云数据集实际上很小。 混合过程可以提供更大的在线训练样本池。
2）另一方面，解耦过程（Disentangle）促使模型挖掘几何先验知识，例如关键点。
为了验证所提出借口任务的有效性，我们构建了一个基线网络，该网络由一个编码器和一个解码器组成。 在预训练期间，我们混合两个原始形状并从编码器获得几何感知嵌入，然后应用实例自适应解码器从嵌入中恢复原始形状。 尽管简单，但预训练编码器可以捕获看不见的点云的关键点，并在下游任务上超越从头开始训练的编码器。 所提出的方法在点云分类和分割任务方面提高了 ModelNet-40 和 ShapeNet-Part 数据集的经验性能。 我们进一步进行消融研究以探索每个组件的效果，并通过利用不同的主干来验证我们提出的策略的泛化。
Motivation：
我们的出发点其实很简单，如下图 红色箭头所指的 混合点云，我们很容易就能看出 他是由 飞机（Plane） 和 椅子（Chair） 混合而成。甚至我们可以看出 哪些点 是来自于 飞机 ， 哪些点来自于 椅子。
What:
基于这种观察，我们很自然的提出一个拆玩具的任务，网络需要能区分 一个 混合的点云中 那些点 是来自 点云A，哪些是来自点云B。因为 我们 人 也可以做到。
在这个区分的过程中，网络需要理解一些（1）高层的语义，AB分别是什么，来帮助 区分； （2）寻找到一些keypoints，来区分两个原始点云。
How:
其实encoder很容易理解，用一个传统的PointNet 或者 DGCNN都行。
Decoder的话，设计类似于 拼乐高的过程，我们可以看一个成品图（condition），就能拼出一个3D模型。
所以我们提出给一个 2D projection给 Decoder 作为condition，让他知道 如果遇到A的投影，就decode A的点云（红色虚线）；如果 遇到B的投影，就重构 B的 点云（蓝色虚线） ，如下图。
投影的话 可以选择 XY平面，YZ平面 或者 XZ平面 如下图，同时我们还会 擦除一些信息，提升难度。
Ok 所以具体最后的模型 如下图。预训练的时候我们需要decoder，训练完 finetune下游任务，我们只要保留encoder就行。
我们的方法可以做 点云分类，也可以做点云分割。
在Loss，方面我们用传统的点云重构loss，Chamfer loss就行 。
实验：
-
定量实验：
-
基于我们的模型做了一些finetune，可以在下游任务上得到较好的提升。
-
特别是下游标注数据量比较少的时候，预训练带来的好处越明显。
2.定性实验
-
训练后我们确实观察到网络可以轻松分离两个点云，如下图。
-
我们还尝试可视化 ，encoder 特征中 激活值最大的前25%的点（红色）。可见网络抓到一些边缘的点（对结构理解最有帮助的点）。
感谢您看完，欢迎点赞分享收藏，以及关注我们的一些其他工作。
郑哲东：ACM MM23 Workshop｜多媒体+无人机 - 知乎
郑哲东：TOMM | 用CNN分100,000类图像 - 知乎
郑哲东： TOMM | 用CNN分100,000类图像 - 知乎
