SIEVE: superare l’ostacolo topologico nell’apprendimento auto-supervisionato equivariante

Abstract degli autori

Individuiamo un’incompatibilità teorica tra l’autoencoding mascherato di nuvole di punti 3D e le reti equivarianti rispetto a SE(3). Dimostriamo che il mascheramento standard provoca un collasso topologico, costringendo di fatto il modello ad allucinare un orientamento senza un sistema di riferimento. Per risolvere il problema, introduciamo SIEVE (Scalar Invariant Extraction Via Equivariance), un framework auto-supervisionato equivariante rispetto a SE(3) che comprime la geometria delle nuvole di punti in rappresentazioni scalari invarianti. Al centro del metodo c’è la maschera a proiezione sferica, che preserva la posa globale offuscando la semantica locale e aggira così l’ostacolo per costruzione. Gli esperimenti confermano che SIEVE evita il collasso previsto, laddove le maschere costanti e quelle basate sul rumore falliscono. Nei compiti successivi sulle nuvole di punti, le rappresentazioni ottenute migliorano i risultati rispetto alle baseline basate sulle coordinate e ai descrittori geometrici definiti manualmente, con i progressi maggiori nella generalizzazione a categorie di forme mai viste.