NeAF：用于点法线估计的神经角度场学习
计算机视觉与模式识别
2022-12-01 v1
摘要
非结构化点云的法线估计是三维计算机视觉中的一项重要任务。当前方法通过将局部块映射到法线向量或利用神经网络学习局部表面拟合取得了令人鼓舞的结果。然而，这些方法对未见场景的泛化能力不佳，且对参数设置敏感。为解决这些问题，我们提出一种隐式函数，在球坐标系下学习每点法线周围的角度场，称之为神经角度场（NeAF）。我们不直接预测输入点的法线，而是预测真实法线与随机采样的查询法线之间的角度偏移。该策略促使网络观测更多样化的样本，从而以更鲁棒的方式实现更高的预测精度。为从推理时学到的角度场预测法线，我们在单位球空间中随机采样查询向量，并将具有最小角度值的向量作为预测法线。为进一步利用 NeAF 学到的先验，我们提出通过最小化角度偏移来精炼预测的法线向量。在合成数据与真实扫描上的实验结果表明，在广泛使用基准下相较最先进方法有明显提升。
引用
@article{arxiv.2211.16869,
title = {NeAF: Learning Neural Angle Fields for Point Normal Estimation},
author = {Shujuan Li and Junsheng Zhou and Baorui Ma and Yu-Shen Liu and Zhizhong Han},
journal= {arXiv preprint arXiv:2211.16869},
year = {2022}
}
备注
Accepted by AAAI 2023. Project page: https://lisj575.github.io/NeAF/ Code:https://github.com/lisj575/NeAF