目前，大部分常见的点云分类模型都是在较为理想的数据上进行训练的，而在真实世界中，由于场景的复杂性、传感器失准以及数据处理偏差等原因，点云数据不可避免地受到噪音的影响。与此同时，点云数据往往被应用于与安全息息相关的应用场景，如自动驾驶和医疗诊断等等，点云模型的鲁棒性尤为重要。

现有对于点云分类模型的鲁棒性研究主要集中于三点：在特定的数据上验证鲁棒性、在模拟至真实场景下验证鲁棒性和在对抗攻击场景下验证鲁棒性。尽管已有工作对点云分类模型的鲁棒性进行了探究，但到目前为止还缺乏一个标准且全面的基线。

基于此，南洋理工大学在读博士任嘉玮等人提出了首个用于点云分类和部件分割的鲁棒性测试基线PointCloud-C，并根据PointCloud-C构建了来自真实世界3D噪声源的全新测试集ModelNet-C。同时，他们设计了一个高鲁棒性的点云分类模型RPC，并分别从结构、训练和数据增广三方面给出了面向3D感知的高鲁棒性模型设计技巧。大量的实验证明，这种鲁棒的点云分类模型RPC和设计技巧都能显著地提高点云分类对于真实世界点云噪音的鲁棒性。

7月13日晚7点，「AI新青年讲座」第136讲邀请到南洋理工大学S-Lab在读博士任嘉玮参与，主讲《应对常见噪声的高鲁棒性点云分类模型》。