G-FARS: Gradient-Field-based Auto-Regressive Sampling for 3D Part Grouping

本文提出了一个名为“3D零件分组”的新任务。假设有一个混合集合，其中包含来自各种形状的零散零件。这个任务需要算法在所有零件之间找出每种可能的组合。为了解决这个挑战，我们提出了所谓的基于梯度场的自回归采样框架（G-FARS），专门为3D零件分组任务量身定制。在我们的框架中，我们设计了一个基于梯度场的选择图神经网络（GNN），学习关于零件选择的对数条件概率密度的梯度，其中条件是给定的混合零件集合。这种创新性的方法，通过基于梯度场的选择GNN实现，有效地捕捉输入中所有零件之间的复杂关系。在完成训练过程后，我们的框架能够通过迭代地从混合零件集合中选择零件，利用训练过的基于梯度场的选择GNN获得的知识，自主分组3D零件。我们的代码可在以下网址获取：https://github.com/J-F-Cheng/G-FARS-3DPartGrouping。

本文提出了一项名为“3D零部件分组”的新任务，旨在解决分散在不同形状的零部件的混合集中的每种可能组合的问题。

文章提出了一种基于梯度场的自回归采样框架（G-FARS），专门针对3D零件分组任务设计了一个基于梯度场的选择图神经网络（GNN）来学习选择概率密度的梯度，以实现自动分组。

该方法通过梯度场选择GNN有效地捕捉输入中所有零件之间的复杂关系，实现了自动分组。作者开源了代码，可用于进一步研究。

最近的相关研究包括“基于深度学习的3D物体识别和检索”和“基于视觉和几何特征的3D物体检索”。