arXiv cs.AI· Jongann Lee, Sun Woo Park, Yun Young Choi·· 2 天前AI 评分22
SIEVE：解决等变自监督学习中的拓扑障碍
SIEVE: Overcoming Topological Obstruction in Equivariant Self-Supervised Learning
AI 导读
研究揭示 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。为此提出 SIEVE（Scalar Invariant Extraction Via Equivariance）等变自监督框架，通过球形投影掩码保留全局姿态、遮蔽局部语义，将点云几何压缩为不变标量嵌入。
正文 · AI 翻译
摘要：我们揭示了三维点云掩码自编码与 SE(3)-等变网络之间的理论不相容性。我们证明标准掩码会引发拓扑坍缩，实际上迫使模型在没有参考系的情况下臆造方向。为解决这一问题，我们提出了 SIEVE（Scalar Invariant Extraction Via Equivariance，通过等变性提取标量不变量），这是一个 SE(3)-等变自监督框架，可将点云几何压缩为不变标量嵌入。其核心是球面投影掩码，它在混淆局部语义的同时保留全局姿态，从构造上绕开了这一障碍。实验证实，SIEVE 规避了在恒定掩码和噪声掩码下出现的预测坍缩。在下游点云任务中，所得嵌入优于基于坐标的基线和手工设计的几何描述子，在泛化到未见形状类别时提升最大。
| 评论： | 第四十届神经信息处理系统年会（NeurIPS）2026 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV） |
| 报告编号： | MPIM-Bonn-2026 |
| 引用为： | arXiv:2610.21087 [cs.LG] |
| （或本版本使用 arXiv:2610.21087v1 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2610.21087 arXiv 颁发的 DOI，经由 DataCite（待注册） |
提交历史
来自：Jongann Lee [查看邮箱]
[v1]
2026年10月15日星期四 01:42:50 UTC（9,739 KB）
来源：arXiv cs.AI · arxiv.org