Edge Preserving Implicit Surface Representation of Point Clouds

要約

最近、生データから陰曲面を直接学習することは、その優れたパフォーマンスにより、3D 再構成タスクの非常に魅力的な表現方法になりました。
ただし、生データの品質が低下するにつれて、陰関数はしばしば不十分な再構成結果をもたらします。
この目的のために、主に微分可能なラプリカン正則化器と動的エッジサンプリング戦略で構成される、新しいエッジ保存暗黙的表面再構成法を提案します。
その中で、微分ラプリカン正則化は、点群の品質の低下によって引き起こされる暗黙の表面の滑らかさを効果的に軽減できます。
一方、暗黙的な表面のエッジ領域での過度の平滑化を減らすために、点群の鋭いエッジの近くでサンプリングするための動的エッジ抽出戦略を提案しました。これにより、ラプラシアン正則化器がすべての領域を平滑化することを効果的に回避できます。
最後に、それらを単純な正則化項と組み合わせて、堅牢な暗黙的な表面再構成を行います。
最先端の方法と比較して、実験結果は、私たちの方法が3D再構成結果の品質を大幅に改善することを示しています。
さらに、いくつかの実験を通じて、点群エッジ特徴抽出、法線推定などを含むいくつかの点群分析タスクに、この方法が便利かつ効果的に適用できることを示します。

要約(オリジナル)

Learning implicit surface directly from raw data recently has become a very attractive representation method for 3D reconstruction tasks due to its excellent performance. However, as the raw data quality deteriorates, the implicit functions often lead to unsatisfactory reconstruction results. To this end, we propose a novel edge-preserving implicit surface reconstruction method, which mainly consists of a differentiable Laplican regularizer and a dynamic edge sampling strategy. Among them, the differential Laplican regularizer can effectively alleviate the implicit surface unsmoothness caused by the point cloud quality deteriorates; Meanwhile, in order to reduce the excessive smoothing at the edge regions of implicit suface, we proposed a dynamic edge extract strategy for sampling near the sharp edge of point cloud, which can effectively avoid the Laplacian regularizer from smoothing all regions. Finally, we combine them with a simple regularization term for robust implicit surface reconstruction. Compared with the state-of-the-art methods, experimental results show that our method significantly improves the quality of 3D reconstruction results. Moreover, we demonstrate through several experiments that our method can be conveniently and effectively applied to some point cloud analysis tasks, including point cloud edge feature extraction, normal estimation,etc.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google