Enhancing Robustness to Noise Corruption for Point Cloud Model via Spatial Sorting and Set-Mixing Aggregation Module

目前点云识别的模型在合成数据集上表现出了良好的性能。然而，现实世界中的点云数据不可避免地包含噪声，这会影响模型的鲁棒性。尽管最近的研究集中在通过各种策略增强鲁棒性，但从网络架构设计的角度进行全面分析仍存在差距。与依赖通用技术的传统方法不同，我们的方法通过网络架构设计优化模型对噪声破坏的鲁棒性。受2D图像中应用的令牌混合技术启发，我们提出了Set-Mixer，这是一个噪声鲁棒的聚合模块，有助于所有点之间进行通信以提取几何形状信息，并减轻单个噪声点的影响。设计了一种排序策略，使我们的模块对点排列不变，也解决了点云的无序结构，并引入了一致的相对空间信息。在ModelNet40-C上进行的实验表明，Set-Mixer显著提高了模型在嘈杂的点云上的性能，突显了其在3D识别和感知任务中提高现实世界适用性的潜力。

本论文旨在通过网络架构设计来提高点云识别模型的鲁棒性，解决现实世界中点云数据中存在的噪声问题。

论文提出了一种名为Set-Mixer的噪声鲁棒聚合模块，通过促进所有点之间的通信来提取几何形状信息并减轻单个噪声点的影响。该模块采用排序策略，使其对点置换不变，并引入一致的相对空间信息。

论文通过实验验证了Set-Mixer模块在噪声点云上显著提高了模型性能。实验使用了ModelNet40-C数据集。论文提供了开源代码。

近期的相关研究包括：PointNet、PointNet++、DGCNN等。