基于局部梯度感知表面滤波的噪声点法线学习
计算机视觉与模式识别
2025-11-27 v2
摘要
为噪声点云估计法线是 3D 几何处理中持久的挑战，尤其是面向端到端的法线估计。现有方法通常处理相对干净的数据，依赖监督先验在特定邻域内拟合局部表面。在本文中，我们提出了一种通过局部梯度感知表面滤波学习噪声点云法线的新方法。我们的模型利用由局部梯度约束的隐式函数派生的法线和距离，将噪声点投影到底层表面上。我们首先引入一种用于全局表面拟合的噪声数据的距离测量算子，其沿法线整合投影距离。随后，我们开发了基于隐式场的滤波方法用于表面点构建，添加了这些点的投影约束进行滤波。为解决过平滑和梯度退化问题，我们进一步融入局部梯度一致性约束，以及局部梯度方向和聚合。全面实验表明，我们的方法在法线估计、表面重建和点云去噪方面实现了业界领先的性能。源代码和训练好的模型可在 https://github.com/LeoQLi/LGSF 获取。
引用
@article{arxiv.2507.03394,
title = {Learning Normals of Noisy Points by Local Gradient-Aware Surface Filtering},
author = {Qing Li and Huifang Feng and Xun Gong and Yu-Shen Liu},
journal= {arXiv preprint arXiv:2507.03394},
year = {2025}
}
备注
Accepted by ICCV 2025. Project page: https://leoqli.github.io/LGSF/