HSurf-Net：通过超曲面学习实现三维点云法线估计
计算机视觉与模式识别
2022-10-14 v1
摘要
我们提出了一种称为 HSurf-Net 的新型法线估计方法，该方法能够从带有噪声和密度变化的点云中准确预测法线。先前的方法侧重于学习点权重，以将邻域拟合为由预定义阶数的多项式函数近似的几何曲面，并据此估计法线。然而，从原始点云显式拟合曲面会受到不恰当的多项式阶数和离群点引起的过拟合或欠拟合问题的影响，这显著限制了现有方法的性能。为解决这些问题，我们引入超曲面拟合来隐式学习超曲面，其由多层感知机（MLP）层表示，这些层以点为特征输入并在高维特征空间中输出曲面模式。我们引入了一种新颖的空间变换模块，由一系列局部聚合层和全局偏移层组成，以学习最优特征空间，以及一种相对位置编码模块来将点云有效转换到所学特征空间中。我们的模型从无噪声特征中学习超曲面并直接预测法向量。我们以数据驱动的方式联合优化 MLP 权重与模块参数，使模型自适应地为不同点找到最合适的曲面模式。实验结果表明，我们的 HSurf-Net 在合成形状数据集、真实世界室内与室外场景数据集上均达到了最先进的性能。代码、数据与预训练模型已公开可用。
引用
@article{arxiv.2210.07158,
title = {HSurf-Net: Normal Estimation for 3D Point Clouds by Learning Hyper Surfaces},
author = {Qing Li and Yu-Shen Liu and Jin-San Cheng and Cheng Wang and Yi Fang and Zhizhong Han},
journal= {arXiv preprint arXiv:2210.07158},
year = {2022}
}
备注
Accepted by NeurIPS 2022