用于点云法线估计的非对称双肩网络
计算机视觉与模式识别
2024-06-25 v2
摘要
近年来，基于深度学习的点云法线估计取得了很大进展。然而，现有方法主要依赖PCPNet数据集，导致过拟合。此外，点云之间在不同噪声尺度上的相关性仍未得到探索，导致在跨域场景中表现不佳。本文提出一种非对称双肩网络 (Asymmetric Siamese Network) 架构，通过应用对不同分支提取特征之间的合理约束来增强干净点云和噪声点云学习内在特征的一致性，从而提高法线估计质量。此外，我们引入了一个新型多视角法线估计数据集，包含更多不同噪声水平的形状。对现有方法在该新数据集上的评估揭示了其无法适应不同类型的形状，表明存在一定程度的过拟合。广泛的实验表明，所提出的数据集为点云法线估计带来显著挑战，而我们的方法在有效改善现有方法并减少当前架构的过拟合方面取得佳异劣。
引用
@article{arxiv.2406.09681,
title = {Asymmetrical Siamese Network for Point Clouds Normal Estimation},
author = {Wei Jin and Jun Zhou and Nannan Li and Haba Madeline and Xiuping Liu},
journal= {arXiv preprint arXiv:2406.09681},
year = {2024}
}