Refine-Net：面向含噪点云的法向精修神经网络
计算机视觉与模式识别
2022-03-24 v1
摘要
点法向作为三维物体的内在几何属性，不仅服务于表面整合与重建等传统几何任务，也助力于形状分析与生成等前沿基于学习的技术。本文提出一种称为Refine-Net的法向精修网络，用于为含噪点云预测精确法向。传统的法向估计方法严重依赖诸如曲面形状或噪声分布等先验，而基于学习的方案局限于单一类型的手工特征。不同地，我们的网络旨在通过从多种特征表示中提取额外信息来精修每点的初始法向。为此，我们开发了若干特征模块，并通过一种新颖的连接模块整合进Refine-Net。除整体网络架构外，我们吸收几何领域知识，提出了一种用于初始法向估计的多尺度拟合面片选择新方案。此外，Refine-Net是一个通用的法向估计框架：1) 其他方法所得点法向可进一步精修；2) 任何与曲面几何结构相关的特征模块均可潜在集成至该框架。定性与定量评估表明，Refine-Net在合成与真实扫描数据集上均明显优于现有最优方法。我们的代码见 https://github.com/hrzhou2/refinenet。
引用
@article{arxiv.2203.12514,
title = {Refine-Net: Normal Refinement Neural Network for Noisy Point Clouds},
author = {Haoran Zhou and Honghua Chen and Yingkui Zhang and Mingqiang Wei and Haoran Xie and Jun Wang and Tong Lu and Jing Qin and Xiao-Ping Zhang},
journal= {arXiv preprint arXiv:2203.12514},
year = {2022}
}
备注
Accepted by TPAMI