PointNorm-Net：基于多模态分布估计的 3D 点云自监督法向预测
计算机视觉与模式识别
2025-04-10 v2
摘要
尽管有监督的深度法向估计器近来在合成基准上取得了令人印象深刻的成果，但由于合成数据与真实数据之间的域差距，其在真实场景中的性能显著下降。构建高质量的真实训练数据以提升这些有监督方法并非易事，因为对尺度多变的真实世界 3D 场景进行逐点法向标注是一项繁琐且昂贵的任务。本文提出 PointNorm-Net，首个应对该挑战的自监督深度学习框架。PointNorm-Net 的核心创新是一种三阶段多模态法向分布估计范式，其可集成到基于深度或传统的优化法向估计框架中。大量实验表明，我们的方法在三个与合成训练数据特征迥异的真实世界数据集上实现了优越的泛化能力，并优于最先进的传统与深度学习方法。
引用
@article{arxiv.2304.04884,
title = {PointNorm-Net: Self-Supervised Normal Prediction of 3D Point Clouds via Multi-Modal Distribution Estimation},
author = {Jie Zhang and Minghui Nie and Changqing Zou and Jian Liu and Ligang Liu and Junjie Cao},
journal= {arXiv preprint arXiv:2304.04884},
year = {2025}
}