1. 四个问题

1. 解决什么问题

self-supervised learning task for deep learning on raw point cloud data

2. 用了什么方法解决

a neural network is trained to reconstruct point clouds whose parts have been randomly rearranged.While solving this task, representations that capture semantic properties of the point cloud are learned
agnostic of network architecture（与网络架构无关）

3. 效果如何

（没有看懂这一段描述）A linear SVM is trained on the representations learned in an unsupervised manner on the ShapeNet dataset. ？

4. 存在什么问题

这样 随意更改位置预测原来的位置 的 代理任务，真的可以吗？（不过 格子好像比较少，3x3）

2. 论文介绍

While solving this task, representations that capture semantic properties of the point cloud are learned

architecture-agnostic（与网络架构无关的）

In this paper we propose a self-supervised method that learns powerful representations from raw point cloud data.
Our method works by training a neural network to reassemble point clouds whose parts have been randomly displaced.
The key assumption of the proposed method is that learning to reassemble displaced point cloud segments is only possible by learning holistic representations that capture the high-level semantics of the objects in the point cloud.（该方法的关键假设是，只有通过学习捕捉点云中对象高层语义的整体表示，才能学习重新组装置换的点云段。）

具体做法：

5 Discussion

在所有的实验中，我们提出的方法学习到的表示被证明是有效的。这让我们相信，对于点云来说，像[7,21]在图像域中讨论的那样，重建输入任务的简单解决方案并不是一个有意义的问题（就是说，代理任务不能太简单？ 任务复杂一点，能学到更好的效果？）

3. 参考资料

4. 收获

Auto-encoder与GAN 有什么区别？

一个新的代理任务：打乱 顺序（3x3），预测原来的位置

5 Discussion

在所有的实验中，我们提出的方法学习到的表示被证明是有效的。这让我们相信，对于点云来说，像[7,21]在图像域中讨论的那样，重建输入任务的简单解决方案并不是一个有意义的问题（就是说，代理任务不能太简单？ 任务复杂一点，能学到更好的效果？）