Semi-signed neural fitting for surface reconstruction from unoriented point clouds

要約

\ emph {無指向性}点群から3Dジオメトリを再構築すると、多くのダウンストリームタスクに役立ちます。
最近の方法は、主にニューラルネットワークを使用したニューラル形状表現を採用して、符号付き距離フィールドを表現し、符号なし監視で点群を適合させます。
ただし、署名されていない監視を使用すると、深刻なあいまいさが発生する可能性があり、複雑な構造を再構築するときに空きスペースに不要なサーフェスを生成したり、正確なサーフェスを再構築するのに苦労したりするなど、\emph{予期しない}障害が発生することがよくあります。
より良い符号付き距離フィールドを再構築するために、半符号付き監視と損失ベースの領域サンプリング戦略で構成される半符号付きニューラルフィッティング（SSN-Fitting）を提案します。
私たちの重要な洞察は、署名された監督はより有益であり、明らかにオブジェクトの外側にある領域を簡単に決定できるということです。
一方、最適化を加速し、細部をより適切に再構築するために、新しい重要度サンプリングが提案されています。
具体的には、オブジェクト空間をボクセル化し、\emph{sign-known}領域と\emph{sign-uncertain}領域に分割します。この領域では、さまざまな監視が適用されます。
また、追跡された再構成損失に応じて各ボクセルのサンプリングレートを適応的に調整し、ネットワークが複雑なアンダーフィッティング領域により集中できるようにします。
SSN-Fittingが、クリーンで密度が変化するノイズの多いデータなど、複数のデータセットのさまざまな設定で最先端のパフォーマンスを実現することを実証するために、広範な実験を実施しています。

要約(オリジナル)

Reconstructing 3D geometry from \emph{unoriented} point clouds can benefit many downstream tasks. Recent methods mostly adopt a neural shape representation with a neural network to represent a signed distance field and fit the point cloud with an unsigned supervision. However, we observe that using unsigned supervision may cause severe ambiguities and often leads to \emph{unexpected} failures such as generating undesired surfaces in free space when reconstructing complex structures and struggle with reconstructing accurate surfaces. To reconstruct a better signed distance field, we propose semi-signed neural fitting (SSN-Fitting), which consists of a semi-signed supervision and a loss-based region sampling strategy. Our key insight is that signed supervision is more informative and regions that are obviously outside the object can be easily determined. Meanwhile, a novel importance sampling is proposed to accelerate the optimization and better reconstruct the fine details. Specifically, we voxelize and partition the object space into \emph{sign-known} and \emph{sign-uncertain} regions, in which different supervisions are applied. Also, we adaptively adjust the sampling rate of each voxel according to the tracked reconstruction loss, so that the network can focus more on the complex under-fitting regions. We conduct extensive experiments to demonstrate that SSN-Fitting achieves state-of-the-art performance under different settings on multiple datasets, including clean, density-varying, and noisy data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google