Nesti-Net：基于卷积神经网络的非结构化三维点云法向量估计
计算机视觉与模式识别
2018-12-04 v1
摘要
本文提出一种针对非结构化三维点云的法向量估计方法。该方法称为 Nesti-Net，建立在一种新的局部点云表示之上，该表示由在多尺度局部粗高斯网格上估计的多尺度点统计（MuPS）构成。这种表示是卷积神经网络（CNN）架构的合适输入。法向量使用专家混合（MoE）架构进行估计，该架构依赖数据驱动的方法为每个点选择最优尺度，并鼓励子网络专门化。文中还提供了关于网络资源分配的有趣洞察。尺度预测显著提高了对不同噪声水平、点密度变化以及不同细节层次的鲁棒性。我们在基准合成数据集上取得了最先进的（SOTA）结果，并给出了真实扫描场景的定性结果。
引用
@article{arxiv.1812.00709,
title = {Nesti-Net: Normal Estimation for Unstructured 3D Point Clouds using Convolutional Neural Networks},
author = {Yizhak Ben-Shabat and Michael Lindenbaum and Anath Fischer},
journal= {arXiv preprint arXiv:1812.00709},
year = {2018}
}
备注
Code will be available after publication. Figure quality reduced to fit size requirement. Higher quality images will be available in the final paper