OCMG-Net：面向非结构化点云的神经 oriented normal 细化

我们提出了一种从非结构化点云估计有向法线的稳健方法。与之前方法不同，后者要么计算复杂度高，要么难以实现令人满意的精度。我们 novel 的框架在特征空间中引入符号方向和数据增强，来细化初始的有向法线，在效率与精度之间取得平衡。为解决之前方法中存在的噪声导致的方向不一致问题，我们引入一种新度量——Chamfer Normal Distance，该度量通过纠正与潜在干净点云上最近点对应的注释法线，从而忠实地最小化估计误差。该度量不仅解决了这一挑战，还有助于网络训练，显著增强了网络对噪声的鲁棒性。此外，我们提出一种创新的双平行架构，将多尺度局部特征聚合与层次几何信息融合集成在一起，使网络能够更有效地捕获复杂的几何细节，并显著减少尺度选择的歧义。广泛的实验表明，我们的方法在无向和有向法线估计任务中均优于现有方法，适用于合成数据和真实世界数据集，涵盖室内和户外场景。代码已公开于 https://github.com/YingruiWoo/OCMG-Net.git。