RfD-Net：基于语义实例重构的点云场景理解（CVPR2021）

缺乏、安全感 2022-09-16 00:23 87阅读 0赞

**论文标题**：RfD-Net: Point Scene Understanding by Semantic Instance Reconstruction

**论文地址**：https://arxiv.org/abs/2011.14744

**项目地址**：https://github.com/yinyunie/RfDNet

![4fdac969c8f5698d393eaf6a496182c3.png][]

**摘要**

从点云中理解语义场景具有一定发挑战性，因为这些点仅反映了稀疏的底层三维几何体。以前的工作经常将点云转换为规则网格，并采用基于网格的卷积来理解场景。在本研究工作中，研究人员引入了RfD-Net，它可以直接从原始点云中联合检测和重建密集的物体表面。RfD-Net利用点云数据的稀疏性，重点预测具有高对象性的形状。通过这种设计，研究人员将实例重构解耦为全局对象定位和局部形状预测。它不仅减轻了从稀疏三维空间学习二维表面的难度，而且点云中传达了支持隐函数学习的形状细节，以重建任何高分辨率曲面。实验表明，实例检测和重建呈现出互补的效果，其中shape prediction head对使用现有网络主干来改善对象检测具有一致效果。定性和定量评估进一步表明，研究人员的方法始终优于现有的方法，并且在对象重建中提高了超过11个网格IoU。

**研究贡献**

1.  研究人员提供了一种新的语义姿态重建学习模式。据研究人员所知，它是第一种直接从点云中用几何预测实例语义的学习方法。
2.  研究人员提出了一种新的端到端架构，即RfDNet，从稀疏点云中学习对象语义和形状。它将语义实例重建分解为全局对象定位和局部形状预测，通过这种方式，shape generator支持隐式学习，直接克服了现有技术中的分辨率瓶颈。
3.  联合学习对象的姿势和形状具有互补的优势。它对backbones具有一致的影响，并在实例检测和完成方面达到了最先进的水平，在对象重建中提高了超过11网格IoU。

**研究方法**

下图说明了RfD-Net的架构。研究方法遵循“从检测中重建”来理解3D场景的基本原则。在此之上，研究人员设计了由3D detector，Spatial transformer和Shape generator组成的网络。研究人员构建的架构，用于从点云中学习实例形状。

![05cb91e3515dab8b77d7e2504662d03e.png][]

具体来说，从输入点云，3D detector生成框从稀疏三维场景中定位候选对象。然后，研究人员设计了一个Spatial transformer来进行框选，并对本地点云进行分组和对齐，用于下一个对象形状生成。Shape generator独立地学习occupancy function来表示形状。

**(1) 3D detector**

3D detector可以从点云中学习object proposals。首先，对于输入的点云，研究人员采用VoteNet作为框架来产生box proposals，并以此为特征来预测参数，包括object proposals中心，尺度，角度，语义标签和objectness score，当一个box proposals中心与真实值之间的差距小于0.3m时，分值取正；当与真实值之间的差距大于0.6m时取负。最后研究人员使用了两层的多层感知机来回归box的参数。

**(2) Spatial transformer**

该模块分为两部分：Objectness dropout和点云的Group&align。Objectness dropout部分的输入为3D detector的输出，即所有box proposals的参数，输出为物体空间占有分数较高的box proposals。Group&align的目的是将原始点云聚类到box proposals中，并转换到局部坐标系。首先，由于之前提取出的box proposals过多，研究人员采用top-N dropout保留得分较高的box proposals；研究人员对原始点云进行采样，用一个group layer对每个box的点进行采样，最后每个cluster输出Mp个点，将这些点带入对齐公式中，然后先把每个cluster的点云移到原点，然后旋转到正位。

**(3) Shape generator**

该模块具体细节如下图所示，分为Skip propogation，Shape decoder和Marching cubes三部分。

![d299c3b8c24d501e64ee94130da6bd71.png][]

在Skip propogation中，研究人员使用PointNet，将每个box proposal中的点分为前景和背景，提取前景中的点之后，与三维目标检测提取出的proposal特征合并，再使用带有残差连接的PointNet将合并后的特征编码成新的特征，可以将这部分特征看作融合了局部信息与全局信息(如三维形状，语义标签等)。然后，在Shape decoder部分，如下图所示：

![6be724505998026240dede078c4437cc.png][]

研究人员采用Batch Normalization层回归出occupancy values，将其与点和proposal特征一起送入latent encoder中，回归出一个高斯分布的均值与标准差，再从这个分布上采样，得到一个隐式编码。最后，将上述计算结果送入conditional block，回归occupancy value，以表示该点是否被占据，然后采用marching cubes算法生成最终的网格。

**(4)端到端的学习**

端到端的学习的损失函数分两部分，分别为Box loss和Shape loss。

Box loss：3D detector是用来预测物体空间objectness score、object proposals中心、尺度、角度等特征，对于objectness score，研究人员设定阈值选取objectness score为正的点；对于object proposals中心，选用Smooth- L1 loss函数进行处理；研究人员将尺度与角度的损失函数设为一个分类损失函数(交叉熵)与一个回归损失函数(Smooth- L1 loss)的混合；对于语义标签，研究人员使用的是交叉熵损失函数。

Shape loss：对于每个proposal里的点，使用交叉熵损失函数来监督前景分割，Shape generator从latent code来学习均值和方差去近似训练中的标准正态分布。

**实验设置与结果**

**1.数据集：**实验中使用了两个数据集，ScanNet v2和Scan2CAD。

**2.实验结果**

定性比较：与RevealNet进行比较。下图的结果表明，本研究中的方法呈现出更好的对象框和形状细节质量。研究人员进一步通过在单个任务上的结果进行定量评估，主要使用两种网络模型的配置：3D detector和Shape generator之间的互补效应，即，端到端地训练网络；单独训练3D detector和Shape generator，另一个模块固定。

![5349324a26fce24282d11750b52a177d.png][]

**定量比较：**

![4d6e6754e788041c5d262772a3728f26.png][]

研究人员同样进行了定量比较，相关的实验结果如上图所示。

1.3D物体检测：与现有3D-SIS、ML CVNet和RevealNet进行比较来评估本文中3D检测。从结果中，研究人员观察到，通过联合训练，本研究中shape generator改进了网络主干。

2.对象重建：研究人员使用3D网格IoU进一步评估单个对象重建质量，RevealNet中的所有预测和真实情况共享相同的坐标系，即TSDF网格。

3.语义实例完成情况：研究人员在语义实例级别评估研究中的场景完成方法，即测量预测的对象网格在3D场景中覆盖地面实况的程度。

**备注：**作者也是我们「**3D视觉从入门到精通**」知识特邀嘉宾：**[一个超干货的3D视觉学习社区][3D]**

**原创征稿**

**初衷**  
3D视觉工坊是基于**优质原创文章**的自媒体平台，创始人和合伙人致力于发布3D视觉领域最干货的文章，然而少数人的力量毕竟有限，知识盲区和领域漏洞依然存在。为了能够更好地展示领域知识，现向全体粉丝以及阅读者征稿，如果您的文章是**3D视觉**、**CV&深度学习**、**SLAM**、**三维重建**、**点云后处理**、**自动驾驶、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、硬件选型、求职分享等方向，**欢迎砸稿过来~文章内容可以为**paper reading、资源总结、项目实战总结**等形式，公众号将会对每一个投稿者提供相应的**稿费**，我们支持知识有价！

**投稿方式**

邮箱：vision3d@yeah.net 或者加下方的小助理微信，另请注明原创投稿。

![dd42bdf167cb02cb9e0b23a252ae573f.png][]

▲长按加微信联系

![802fa893ce6de908f45f05b4c9898ea2.png][]

▲长按关注公众号

[4fdac969c8f5698d393eaf6a496182c3.png]: /images/20220828/8f43101d46a14b80b7c31439690de748.png
[05cb91e3515dab8b77d7e2504662d03e.png]: /images/20220828/423b6c05bafa4692b69e99d1ae90f94a.png
[d299c3b8c24d501e64ee94130da6bd71.png]: /images/20220828/67d5149cc4d5455ca5b6b772f36f9e78.png
[6be724505998026240dede078c4437cc.png]: /images/20220828/35fc0d21747f4bb68fad909150ffd1c4.png
[5349324a26fce24282d11750b52a177d.png]: /images/20220828/9ffb848c41244b27a758cc726ef14639.png
[4d6e6754e788041c5d262772a3728f26.png]: /images/20220828/c2c06ba1f70044a58a15b2d0741b2df6.png
[3D]: https://blog.csdn.net/Yong_Qi2015/article/details/111055882
[dd42bdf167cb02cb9e0b23a252ae573f.png]: /images/20220828/f918fd8046e9470c9237fdda15f89d8d.png
[802fa893ce6de908f45f05b4c9898ea2.png]: /images/20220828/eb7b25659fab4414b8162bf5da90e977.png