本文首发于微信公众号 CVHub，严禁私自转载或售卖到其他平台，违者必究。

Title: Contrast with Reconstruct: Contrastive 3D Representation Learning Guided by Generative Pretraining Paper：arxiv.org/abs/2302.02… Code：github.com/qizekun/ReC…

本文介绍一下在 3D 表征学习上的新工作，ReCon: Contrast with Reconstruct，通过生成式学习指导对比学习实现高效的3D表征，在ScanObjectNN上实现91.26%的OA，在ModelNet40实现66.8%的Zero-Shot精度，以及多项SOTA，代码已开源。

我们知道，3D点云长期遭受着严重的数据缺乏问题，常用的ModelNet40、ShapeNet数据集仅包含14k与51k的数据，这与2D或图文多模态上动辄14M、300M甚至5B的超大规模数据形成巨大对比。因此，如何在有限的数据上高效的提取3D表征成为我们的研究动机，我们从Generative和Contrastive两大主流的自监督框架入手进行分析。

我们首先研究了MPM（Masked Point Modeling）、CMC（Cross-modal Contrastive）和SMC（Single-modal Contrastive）等预训练方法对Pretrain数据的依赖性，我们在ShapeNet上进行预训练，并在ScanObjectNN上测试迁移性能，结果在图(a)中展示。我们发现：

当缺乏预训练数据（