软件学报

作者：程浩喆，祝继华，史鹏程，胡乃文，谢奕凡，李仕奇

单位：程浩喆，西安交通大学 软件学院, 陕西 西安 71004911,祝继华，西安交通大学 软件学院, 陕西 西安 71004902,史鹏程，西安交通大学 软件学院, 陕西 西安 71004903,胡乃文，西安交通大学 软件学院, 陕西 西安 71004904,谢奕凡，西安交通大学 软件学院, 陕西 西安 71004905,李仕奇，西安交通大学 软件学院, 陕西 西安 71004906

关键词：三维点云;自监督表示学习;多模态特征;密度尺度;生成对抗网络

基金：陕西省重点研发项目(2021GY-025, 2021GXLHZ-097)

点云自监督表示学习以无标签预训练的方式, 探索三维拓扑几何空间结构关系并捕获特征表示, 可应用至点云分类、分割以及物体探测等下游任务. 为提升预训练模型的泛化性和鲁棒性, 提出基于双向拟合掩码重建的多模态自监督点云表示学习方法, 主要由3部分构成: (1) 逆密度尺度指导下的“坏教师”模型通过基于逆密度噪声表示和全局特征表示的双向拟合策略, 加速掩码区域逼近真值. (2) 基于StyleGAN的辅助点云生成模型以局部几何信息为基础, 生成风格化点云并与掩码重建结果在阈值约束下融合, 旨在抵抗重建过程噪声对表示学习的不良影响. (3) 多模态教师模型以增强三维特征空间多样性及防止模态信息崩溃为目标, 依靠三重特征对比损失函数, 充分汲取点云-图像-文本样本空间中所蕴含的潜层信息. 所提出的方法在ModelNet、ScanObjectNN和ShapeNet这3种点云数据集上进行微调任务测试. 实验结果表明, 预训练模型在点云分类、线性支持向量机分类、小样本分类、零样本分类以及部件分割等点云识别任务上的效果达到领先水平.

来源：2025年第5期

《软件学报》期刊编辑部

查看软件学报杂志2025年第5期