SIEVE：克服等变自监督学习中的拓扑障碍
SIEVE: Overcoming Topological Obstruction in Equivariant Self-Supervised Learning
精选理由
揭示点云掩码自监督的拓扑瓶颈，并提出保持全局姿态的等变方案，提升未见类别泛化。
AI 摘要
arXiv:2610.21087v1 公告类型：新 摘要：我们发现了 3D 点云掩码自动编码与 SE(3)-等变网络之间的理论不相容性。我们证明，标准掩码会触发拓扑坍缩，实际上迫使模型在没有参考坐标系的情况下臆造方向。为解决这一问题，我们提出 SIEVE（Scalar Invariant Extraction Via Equivariance），一种 SE(3)-等变自监督框架，可将点云几何压缩为不变标量嵌入。其核心是球面投影掩码，该掩码在混淆局部语义的同时保留全局位姿，从构造上绕开了这一障碍。实验结果证实，SIEVE 避免了所预测的坍缩现象，而常数掩码和噪声掩码则无法做到这一点。在下游点云任务中，所得嵌入优于基于坐标的基线方法和人工设计的几何描述符，其中在未见过的形状类别上的泛化能力提升最大。