GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided Distance Representation

要約

まばらな点群から離散サーフェスを再構築するという長年にわたる困難な問題に取り組むために、学習ベースの方法、つまり GeoUDF を提示します。
サーフェス上の隣接点の接平面までの距離の学習可能なアフィン平均として、クエリ点の符号なし距離を明示的に定式化します。
さらに、各点の二次多項式を明示的に学習することにより、入力点群の局所的な幾何学的構造をモデル化します。
これにより、入力されたまばらなポイント クラウドのアップサンプリングが容易になるだけでなく、無指向の法線が自然に誘導され、UDF 推定がさらに強化されます。
最後に、予測された UDF から三角形メッシュを抽出するために、カスタマイズされたエッジベースのマーチング キューブ モジュールを提案します。
広範な実験とアブレーション研究を実施して、再構成の精度、効率、および一般性の観点から、最先端の方法に対するこの方法の重要な利点を実証します。
ソース コードは、https://github.com/rsy6318/GeoUDF で公開されています。

要約(オリジナル)

We present a learning-based method, namely GeoUDF,to tackle the long-standing and challenging problem of reconstructing a discrete surface from a sparse point cloud.To be specific, we propose a geometry-guided learning method for UDF and its gradient estimation that explicitly formulates the unsigned distance of a query point as the learnable affine averaging of its distances to the tangent planes of neighboring points on the surface. Besides,we model the local geometric structure of the input point clouds by explicitly learning a quadratic polynomial for each point. This not only facilitates upsampling the input sparse point cloud but also naturally induces unoriented normal, which further augments UDF estimation. Finally, to extract triangle meshes from the predicted UDF we propose a customized edge-based marching cube module. We conduct extensive experiments and ablation studies to demonstrate the significant advantages of our method over state-of-the-art methods in terms of reconstruction accuracy, efficiency, and generality. The source code is publicly available at https://github.com/rsy6318/GeoUDF.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google