面向三维点云的有监督几何基元拟合
计算机视觉与模式识别
2020-01-29 v4
摘要
将几何基元拟合到三维点云数据，弥合了底层三维形状的低层数字化三维数据与其高层结构信息之间的鸿沟。因此，它使得三维数据处理中的许多下游应用成为可能。长期以来，基于RANSAC的方法一直是此类基元拟合问题的黄金标准，但它们需要对每个输入进行细致的参数调优，因而难以很好地扩展到具有多样形状的大规模数据集。在本工作中，我们提出有监督基元拟合网络（SPFN），这是一种端到端神经网络，能够在无需任何用户控制的情况下稳健地检测不同尺度下数量可变的基元。该网络使用输入点的真实基元曲面与基元归属关系进行监督。我们的架构不直接预测基元，而是先预测逐点属性，再利用一个可微模型估计模块来计算基元类型与参数。我们在一个由ANSI三维机械零件模型构成的新型基准上评估了我们的方法，并展示出相较最先进的基于RANSAC的方法以及直接神经预测方法的显著改进。
引用
@article{arxiv.1811.08988,
title = {Supervised Fitting of Geometric Primitives to 3D Point Clouds},
author = {Lingxiao Li and Minhyuk Sung and Anastasia Dubrovina and Li Yi and Leonidas Guibas},
journal= {arXiv preprint arXiv:1811.08988},
year = {2020}
}
备注
CVPR 2019 (Oral)