HSurf-Net: Normal Estimation for 3D Point Clouds by Learning Hyper Surfaces

要約

HSurf-Net と呼ばれる新しい法線推定方法を提案します。これは、ノイズと密度の変化を伴う点群から法線を正確に予測できます。
以前の方法は、事前に定義された順序の多項式関数によって近似された幾何学的表面に近傍を適合させるための点の重みの学習に重点を置いており、それに基づいて法線が推定されていました。
ただし、生の点群からサーフェスを明示的にフィッティングすると、不適切な多項式の次数と外れ値によってオーバーフィッティングまたはアンダーフィッティングの問題が発生し、既存の方法のパフォーマンスが大幅に制限されます。
これらの問題に対処するために、ハイパー サーフェス フィッティングを導入してハイパー サーフェスを暗黙的に学習します。ハイパー サーフェスは、高次元フィーチャ空間で入力および出力サーフェス パターンとしてポイント フィーチャを取得する多層パーセプトロン (MLP) レイヤーによって表されます。
最適な特徴空間を学習するために、一連のローカル集約レイヤーとグローバルシフトレイヤーで構成される新しい空間変換モジュールと、点群を学習した特徴空間に効果的に変換する相対位置エンコーディングモジュールを導入します。
私たちのモデルは、ノイズのない機能からハイパー サーフェスを学習し、法線ベクトルを直接予測します。
データ駆動型の方法で MLP の重みとモジュール パラメーターを共同で最適化し、モデルがさまざまなポイントに最適な表面パターンを適応的に見つけられるようにします。
実験結果は、HSurf-Net が合成形状データセット、現実世界の屋内および屋外シーン データセットで最先端のパフォーマンスを達成することを示しています。
コード、データ、事前トレーニング済みのモデルは公開されています。

要約(オリジナル)

We propose a novel normal estimation method called HSurf-Net, which can accurately predict normals from point clouds with noise and density variations. Previous methods focus on learning point weights to fit neighborhoods into a geometric surface approximated by a polynomial function with a predefined order, based on which normals are estimated. However, fitting surfaces explicitly from raw point clouds suffers from overfitting or underfitting issues caused by inappropriate polynomial orders and outliers, which significantly limits the performance of existing methods. To address these issues, we introduce hyper surface fitting to implicitly learn hyper surfaces, which are represented by multi-layer perceptron (MLP) layers that take point features as input and output surface patterns in a high dimensional feature space. We introduce a novel space transformation module, which consists of a sequence of local aggregation layers and global shift layers, to learn an optimal feature space, and a relative position encoding module to effectively convert point clouds into the learned feature space. Our model learns hyper surfaces from the noise-less features and directly predicts normal vectors. We jointly optimize the MLP weights and module parameters in a data-driven manner to make the model adaptively find the most suitable surface pattern for various points. Experimental results show that our HSurf-Net achieves the state-of-the-art performance on the synthetic shape dataset, the real-world indoor and outdoor scene datasets. The code, data and pretrained models are publicly available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google