NeuralGF：通过学习神经梯度函数实现无监督点云法向估计
计算机视觉与模式识别
2023-11-02 v1
摘要
三维点云的法向估计是三维几何处理中的一项基础任务。现有最优方法依赖于从法向监督中学习到的局部曲面拟合先验。然而，基准中的法向监督来自合成形状，且通常无法从真实扫描中获取，从而限制了这些方法学习到的先验。此外，若无单独的后处理步骤，跨形状的法向方向一致性仍难以实现。为解决这些问题，我们提出了一种直接从点云估计有向法向的新方法，无需使用真值法向作为监督。我们通过引入学习神经梯度函数的新范式来实现这一点，该范式促使神经网络拟合输入点云并在点上产生单位范数梯度。具体而言，我们引入损失函数，促使查询点迭代地到达移动目标并聚拢到近似曲面上，从而学习数据的全局曲面表示。同时，我们将梯度融入曲面近似以度量查询的最小有符号偏差，由此得到与曲面一致的梯度场。这些技术造就了我们深度无监督的有向法向估计器，其对噪声、离群点和密度变化具有鲁棒性。我们在广泛使用基准上的优异结果表明，相较于最新方法，我们的方法能为无向与有向法向估计任务学习到更精确的法向。源代码与预训练模型已公开于 https://github.com/LeoQLi/NeuralGF。
引用
@article{arxiv.2311.00389,
title = {NeuralGF: Unsupervised Point Normal Estimation by Learning Neural Gradient Function},
author = {Qing Li and Huifang Feng and Kanle Shi and Yue Gao and Yi Fang and Yu-Shen Liu and Zhizhong Han},
journal= {arXiv preprint arXiv:2311.00389},
year = {2023}
}
备注
Accepted by NeurIPS 2023