Point Cloud with Normalizing Flow

标准化流方法在点云处理中的应用

• PointFlow首先被提出用来学习点云的分布，基于CNF的结构，作为首个将标准化流引入点云处理领域的工作，启发了更多基于标准化流的点云学习的案例。
• C-Flow利用NFs来实现多模态（如图像和点云）学习的可行性。
• DPF，一种离散的NFs网络来拟合点云，缓解PointFlow的收敛速度慢和训练困难的问题。
• Go with the Flows，提出了NF的混合模型，并展现了该混合模型具有比单个NF模型更强的生成能力。

以上工作都是在合成数据集上进行测试，把NFs应用到现实应用场景的研究较少。

点云处理的学习网络框架

PointNet中的共享连续函数，用于提升点的通道数量，通常使用Shared MLPs来实现，这里的“共享”意味着所有的点处理所用的参数是相同的且各个点提取特征的过程是相互独立的。

标准化流理论

标准化流（Normalizing flows，NFs）方法，也被称作流模型是一种数据生成模型。标准化流由一系列可逆的分布变化组成，通常用于拟合一个复杂，难以解析的分布转换到较简单的先验分布的变换过程。标准化流对数据似然概率精确估计和可追踪的隐变量推理过程。

正向和逆向传播都是无损的数据变换过程，这意味着P在欧拉空间下和z在隐空间下表示的数据点是一一对应的（即双射），即在任意空间下对数据点的修改都会反映到其他空间上。

维度增强

标准化流模型限制了输入和输出数据的维度必须是一致的，限制点云的维度在分布变换过程中将被限制在3。这会导致维度瓶颈问题，限制隐变量的特征表达能力。

解决办法

• 加深流模块层数【×】：增加网络深度会引入大量的参数，牺牲网络的训练速度和训练的稳定性
• 使用多尺度架构【×】：将空间上的维度置换为通道上的维度，仅针对二维图像设计，并不适合具有无序性的三维点云数据。
• 提升输入点云的通道数：借助knn，邻结点，有条件的标准化流CNF

点云去噪

将噪声因子和潜在代码中的固有干净点投射到单独的通道上来精确区分它们。

将噪声和干净点分离到不同的维度，然后将与噪声相关的维度mask，从而生成干净的潜在代码。