A aprendizagem não supervisionada de representações de nuvens de pontos é crucial para a compreensão e análise de nuvens de pontos, e o autoencoder baseado em reconstrução 3D é uma arquitetura importante na aprendizagem não supervisionada. Considerando os problemas existentes nos autoencoders, como interferência de rotação e capacidade insuficiente de aprendizado de características, este artigo propõe um autoencoder invariante à rotação para visualizações 2D e nuvens de pontos 3D. Primeiro, é projetada uma estratégia de transformação de características invariantes à rotação que integra informações locais e globais. Para a representação local, utiliza-se características projetadas manualmente para transformar a nuvem de pontos de entrada, gerando uma representação invariante à rotação; para a representação global, propõe-se um módulo de alinhamento baseado em Análise de Componentes Principais (PCA), que alinha as nuvens de pontos rotacionadas para a mesma postura, complementando informações globais enquanto elimina interferências de rotação. Em seguida, no codificador, são projetados módulos de extração de características locais e não locais para extrair plenamente as características espaciais locais e a correlação contextual não local das nuvens de pontos, modelando a consistência semântica entre características de diferentes níveis. Finalmente, propõe-se um método de decodificação baseado na reconstrução 2D-3D alinhada por PCA, que reconstrói as nuvens de pontos 3D alinhadas e as visualizações 2D, integrando sinais de aprendizado ricos provenientes das nuvens de pontos 3D e das visualizações 2D na representação de saída do codificador. Os resultados experimentais mostram que o algoritmo alcança uma precisão de reconhecimento de 90,84% no conjunto de dados sintético ModelNet40 com rotação aleatória e 89,02% no conjunto de dados real ScanObjectNN, e que as representações de nuvens de pontos aprendidas apresentam boa discriminabilidade sem qualquer supervisão de rótulos, além de robustez à rotação.

Nuvens de pontos 3D;autoencoder;aprendizado de representação;invariância à rotação