学习有符号超曲面用于有向点云法线估计

我们提出一种称为SHS-Net的新方法，通过有符号超曲面学习来估计点云的有向法线，可从各类点云准确预测具有全局一致朝向的法线。几乎所有现有方法都通过两阶段流程估计有向法线，即无向法线估计与法线定向，且每步由独立算法实现。然而，先前方法对参数设置敏感，导致在含噪声、密度变化及复杂几何的点云上结果不佳。本工作中，我们引入由多层感知机（MLP）层参数化的有符号超曲面（SHS），以端到端方式从点云学习估计有向法线。有符号超曲面在聚合了局部与全局信息的高维特征空间中隐式学习。具体而言，我们引入块编码模块与形状编码模块，将三维点云分别编码为局部潜码与全局潜码。随后，提出注意力加权法线预测模块作为解码器，以局部与全局潜码为输入预测有向法线。实验结果表明，在广泛使用基准上，我们的SHS-Net在无向与有向法线估计上均优于最先进方法。