从点云自动重建表面的综述与基准

我们提出了一项关于从点云进行表面重建的传统方法与基于学习的方法的全面综述与基准。由于噪声、离群点、非均匀采样和缺失数据等因素，该任务对于真实世界采集尤为具有挑战性。传统方法通常通过在对输入点云或所得表面施加手工先验来简化问题，这一过程可能需要繁琐的超参数调优。相比之下，深度学习模型能够直接从数据中学习输入点云与期望表面的性质。我们研究了手工先验与学习先验对表面重建技术精度与鲁棒性的影响。我们以标准化方式评估了多种久经考验的与当代的方法。当在具有相同特征的点云上训练和评估时，基于学习的模型相比传统对应方法始终产生更高质量的曲面——即使在涉及新颖形状类别的场景中也是如此。然而，传统方法对真实世界 3D 采集中常见的多样异常表现出更强的韧性。为了研究团体的利益，我们公开了代码与数据集，邀请对基于学习的表面重建的进一步改进。可访问 https://github.com/raphaelsulzer/dsr-benchmark 。