SIEVE：等变自监督学习克服拓扑障碍

2026年10月16日，arXiv Computer Vision 刊出研究，提出 SIEVE（Scalar Invariant Extraction Via Equivariance）等变自监督学习框架。该研究指出，3D点云掩码自编码与 SE(3) 等变网络存在理论不兼容：标准掩码会触发拓扑坍缩，迫使模型在无参考系下臆测朝向。为此，SIEVE 采用球面投影掩码，保留全局位姿、遮蔽局部语义，将点云几何压缩为不变标量嵌入。实验显示，SIEVE 规避了常量掩码与噪声掩码出现的坍缩，在下游点云任务上优于坐标基线和手工几何描述子，对未见形状类别的泛化提升最大。论文作者为 Jongann Lee、Sun Woo Park、Yun Young Choi。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。