用于法向估计与点云滤波联合任务的对比学习
计算机视觉与模式识别
2023-05-04 v2
摘要
点云滤波与法向估计是三维领域两个基础的研究问题。现有方法通常分别执行法向估计与滤波，且常表现出对噪声的敏感性以及/或无法保留角点与边缘等尖锐几何特征。本文提出一种新颖的深度学习方法，联合估计法向并滤波点云。我们首先引入一种基于三维面片的对比学习框架，以噪声扰动作为数据增强，训练一个能够生成点云面片忠实表示且对噪声保持鲁棒的特征编码器。这些表示被一个简单回归网络接收，并由一种新颖的联合损失监督，同时估计点法向与用于滤波面片中心的位移。实验结果表明，我们的方法能很好地同时支持这两项任务，并保留尖锐特征与精细细节。它在两项任务上总体优于当前最优技术。我们的源代码发布于 https://github.com/ddsediri/CLJNEPCF。
引用
@article{arxiv.2208.06811,
title = {Contrastive Learning for Joint Normal Estimation and Point Cloud Filtering},
author = {Dasith de Silva Edirimuni and Xuequan Lu and Gang Li and Antonio Robles-Kelly},
journal= {arXiv preprint arXiv:2208.06811},
year = {2023}
}
备注
This paper has been accepted to the IEEE TVCG journal. Our source code is available at https://github.com/ddsediri/CLJNEPCF