AdaFit:重新思考基于学习的点云法向估计
计算机视觉与模式识别
2021-08-13 v1
摘要
本文提出一种用于点云鲁棒法向估计的神经网络,名为 AdaFit,可处理带噪声和密度变化的点云。现有工作使用网络学习逐点权重,通过加权最小二乘曲面拟合来估计法向,这在复杂区域或含噪声点时难以获得准确法向。通过分析加权最小二乘曲面拟合步骤,我们发现拟合曲面的多项式阶数难以确定,且拟合曲面对离群点敏感。为解决这些问题,我们提出一种简单而有效的方案,即增加额外的偏移预测以提升法向估计质量。此外,为利用不同邻域大小的点,提出一种新颖的级联尺度聚合层,帮助网络预测更精确的逐点偏移与权重。大量实验表明,AdaFit 在合成 PCPNet 数据集和真实世界 SceneNN 数据集上均达到了最先进性能。
引用
@article{arxiv.2108.05836,
title = {AdaFit: Rethinking Learning-based Normal Estimation on Point Clouds},
author = {Runsong Zhu and Yuan Liu and Zhen Dong and Tengping Jiang and Yuan Wang and Wenping Wang and Bisheng Yang},
journal= {arXiv preprint arXiv:2108.05836},
year = {2021}
}
备注
iccv2021 project page: https://runsong123.github.io/AdaFit/