基于自监督学习的点云理解研究综述.docVIP

基于自监督学习的点云理解研究综述

点云作为三维场景信息的核心载体，已在自动驾驶、机器人导航、工业检测、虚拟现实等领域展现出不可替代的应用价值。相较于二维图像，点云数据具有非结构化、无序性、稀疏性、密度不均等固有特性，传统监督学习方法依赖大量人工标注的三维数据，而三维标注的成本是二维标注的数倍甚至数十倍，且标注质量受人工经验影响显著，这一矛盾成为制约点云理解模型规模化落地的核心瓶颈。自监督学习通过设计pretext任务从无标注点云数据中挖掘通用特征表示，能够显著降低模型对标注数据的依赖，成为近年来三维视觉领域的研究热点。

自监督点云理解的核心范式

自监督点云学习的核心逻辑是“先预训练、后微调”，即首先在大规模无标注点云数据集上通过构造前置任务学习通用特征，再在下游任务中利用少量标注数据进行微调，实现对特定任务的适配。根据前置任务设计思路的差异，现有研究可分为生成式、判别式和对比式三大类。

生成式范式要求模型学习点云的内在分布规律，通过重构输入数据实现特征学习。最经典的任务是点云自重构，即模型对输入点云进行编码得到隐层特征，再通过解码器恢复原始点云的坐标信息，训练过程以重构点云与原始点云的Chamfer距离或EarthMovers距离作为损失函数。为了提升特征的鲁棒性，研究者通常会在输入阶段对原始点云施加各类扰动，例如随机丢弃部分点、添加高斯噪声、进行随机旋转或缩放，要求