三维深度学习网络的几何差异感知能力

在使用深度学习技术处理三角网格等三维数据时，如果网络不具备感知数据位置、朝向、尺寸等几何属性差异的能力，可能导致模型泛化能力不足、准确率偏低的后果。为解决该问题，在变换网络T-Net的基础上，提出名为几何差异感知(geometric difference perception, GDP)的网络模块。其核心思想是通过多样化的样本训练，学习到一个变换矩阵，对高维特征进行规范化。通过以牙齿网格分割为任务的多项实验表明，GDP能够有效应对三维数据的几何差异问题，避免其对模型性能造成的不良影响，对于网格分割等三维任务性能的提升具有重要意义。