Mapping in a Cycle: Sinkhorn Regularized Unsupervised Learning for Point Cloud Shapes
本文介绍一篇ECCV2020里面关于点云无监督学习的文章。
论文
目前还没有开源代码
1. 问题
点云形状的无监督学习
2. 思想
本文的主体思路是延续 Unsupervised cycle-consistent deformation for shape matching 这篇文章，在其基础上添加了sinkhorn regularization模块，从而尽可能的使cycle correspondences成为bijiective map(也叫一一映射)。背后的assumption应该是，如果网络能够将一个点集在不同transformation下的correspondece找到，那么也应该学习到了discriminative pointwise features。 这种assumption和CVPR 2020 GraphTER的思想不谋而合，个人觉得GraphTER对此assumptaion的阐述更详细，更有说服力。
3. 算法
3.1 Unsupervised loss based on cycle consistency
Correspondence query between point cloud shapes.
首先给出确定correspondence的准则
但是由于arg max不可微，采用a scaled softmax function代替
Cycle-consistency loss.
接下来定义D距离函数
3.2 Sinkhorn regularization for bijective constraint
通过sinkhorn regularization 来保证一一映射的对应关系
对于一个严格的一一映射，矩阵应该是一个单位阵。但是这个限定太强了，需要将其松弛为双随机矩阵（行和列和为1）。
4 实验结果
与Unsupervised cycle-consistent deformation for shape matching 这篇文章不同，本文采用了不同的setting, 实验总体更倾向于key-point detection, registration。只是在最后进行了一个全监督的segmentation测试。
我对table 2的实验有些小疑问，等等看作者是否会 开源代码。
总结
文章的语言不错，以19年的文章为主体思想，结合sinkhorn regularization 完成了自己的work。个人猜测应该是cvpr 改投的文章，老师在其中应该起了不小的作用。估计这个框架训练起来时间要蛮长的，期待开源代码。