Contrastive Learning for Joint Normal Estimation and Point Cloud Filtering

要約

【タイトル】点群フィルタリングと法線推定のためのContrastive Learning

【要約】
– 点群フィルタリングと法線推定は3D領域の基本的な課題である。
– 既存の手法は法線推定とフィルタリングを別々に行い、しばしばノイズに対して敏感であったり、角やエッジなどの鋭いジオメトリックな特徴を保持できない。
– 本論文では、法線推定と点群フィルタリングを同時に行うための深層学習手法を提案する。
– 3Dパッチベースのコントラスティブラーニングフレームワークを導入し、ノイズの変換を拡張として、ノイズに強いポイントクラウドパッチの忠実な表現を生成する機能エンコーダをトレーニングする。
– これらの表現は、シンプルな回帰ネットワークによって消費され、同時に、ポイントの法線と変位を推定し、パッチの中心をフィルタリングに使用する新しいジョイントロスによって監視される。
– 実験結果は、本手法が両方のタスクを同時にサポートし、鋭い特徴や細かいディテールを保存していることを示している。一般的に、最先端の技術よりも優れている。
– ソースコードはhttps://github.com/ddsediri/CLJNEPCFで入手可能。

要約(オリジナル)

Point cloud filtering and normal estimation are two fundamental research problems in the 3D field. Existing methods usually perform normal estimation and filtering separately and often show sensitivity to noise and/or inability to preserve sharp geometric features such as corners and edges. In this paper, we propose a novel deep learning method to jointly estimate normals and filter point clouds. We first introduce a 3D patch based contrastive learning framework, with noise corruption as an augmentation, to train a feature encoder capable of generating faithful representations of point cloud patches while remaining robust to noise. These representations are consumed by a simple regression network and supervised by a novel joint loss, simultaneously estimating point normals and displacements that are used to filter the patch centers. Experimental results show that our method well supports the two tasks simultaneously and preserves sharp features and fine details. It generally outperforms state-of-the-art techniques on both tasks. Our source code is available at https://github.com/ddsediri/CLJNEPCF.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI