在特征空间中离散化三维几何的群卷积神经网络
本文提出了一种用于群卷积神经网络（GCNN）的特征空间采样方法，通过用特征相似性选择的代表样本替换几何密集采样，从而将几何分辨率与内存和计算成本解耦。实验表明，粗粒度的特征空间采样能很好地保持分类精度，显著加速等变3D分类器的训练。
近日，一篇题为《Discretizing Group-Convolutional Neural Networks for 3D Geometry in Feature Space》的论文引起了广泛关注。该论文由Daniel Franzen等三位作者共同完成，于2026年5月14日提交至arXiv，全长11页，包含7张图表和2张表格。论文的核心贡献在于提出了一种新颖的特征空间采样方法，旨在解决群卷积神经网络（Group-Convolutional Neural Networks, GCNNs）在处理三维几何数据时面临的计算成本高昂的问题。
GCNN是深度学习中将对称性作为归纳偏置的重要工具。在每个线性层中，GCNN会对一个变换群G进行密集采样，并在不同姿态下关联数据和滤波器（对于可操纵的GCNN，还需进行适当的抗混叠处理），以保持对G的等变性。然而，这种密集采样导致滤波器需要应用于大量数据项，计算成本非常昂贵。即便仅考虑平移变换（即普通CNN的情况），成本也不容忽视；而当自由度增加时（如三维中的平移和旋转），计算成本呈指数级增长，这严重阻碍了GCNN在实际应用中的推广。
为了应对这一挑战，作者提出了在特征空间中进行采样的方法。具体来说，他们不再对几何空间进行密集采样，而是根据特征相似性选择代表性的样本，从而大幅减少需要处理的数据量。这种方法成功地将几何分辨率与训练和推理过程中的内存及计算成本解耦，为在计算效率和精度之间进行权衡提供了一条全新的途径。
论文的主要实验发现是，即使采用非常粗粒度的特征空间采样，分类精度仍然能够保持得很好。这一结果意味着，研究人员可以基于几何相似性进行预计算，从而显著加速等变三维分类器的训练过程。该研究为三维几何深度学习中的计算效率问题提供了切实可行的解决方案，有望推动GCNN在计算机视觉、图形学和机器学习等领域的实际应用。