点群の教師なし表現学習は、点群の理解と解析に不可欠であり、3D再構成に基づくオートエンコーダは教師なし学習における重要なアーキテクチャです。既存のオートエンコーダが回転干渉や特徴学習能力不足の問題を抱えていることに対処するために、本論文では回転不変の2Dビュー–3D点群オートエンコーダを提案します。まず、局所とグローバルを融合した回転不変特徴変換戦略を設計しました。局所表現に対しては、手作業で設計された特徴を用いて入力点群を変換し、回転不変の点群表現を生成します。グローバル表現に対しては、主成分分析（PCA）に基づく整列モジュールを提案し、回転した点群を同一姿勢に整列させることで、グローバル情報を補完しつつ回転干渉を排除します。次に、エンコーダにおいて局所および非局所特徴抽出モジュールを設計し、点群の局所空間特徴と非局所文脈相関を十分に抽出し、異なる階層の特徴間のセマンティックな一貫性をモデル化します。最後に、PCA整列に基づく2D-3D再構成のデコード方法を提案し、整列された3D点群と2Dビューを再構成することで、エンコーダの出力点群表現に3D点群と2Dビューからの豊富な学習信号を統合します。実験結果は、本アルゴリズムがランダム回転を施した合成データセットModelNet40および実データセットScanObjectNNにおいて、それぞれ90.84％および89.02％の認識精度を達成し、学習された点群表現が一切のラベル監督なしで優れた識別性を示し、回転に対する堅牢性も持つことを示しています。

3D点群;オートエンコーダ;表現学習;回転不変性