MSECNet: Accurate and Robust Normal Estimation for 3D Point Clouds by Multi-Scale Edge Conditioning

要約

3D点群から表面の法線を推定することは、表面の再構成やレンダリングを含む様々なアプリケーションにとって重要である。法線推定のための既存の手法は、法線がゆっくりと変化する領域ではうまく機能するが、法線が急激に変化する領域では失敗する傾向がある。この問題に対処するため、我々は、法線変化のモデリングをエッジ検出問題として扱うことにより、法線が変化する領域における推定を改善する、MSECNetと呼ばれる新しいアプローチを提案する。MSECNetは、バックボーンネットワークとマルチスケールエッジコンディショニング（MSEC）ストリームから構成される。MSECストリームは、マルチスケール特徴融合と適応的エッジ検出により、ロバストなエッジ検出を実現する。検出されたエッジは、エッジコンディショニングモジュールを用いてバックボーンネットワークの出力と組み合わされ、エッジを考慮した表現が生成される。広範な実験により、MSECNetは合成データセット（PCPNet）と実世界データセット（SceneNN）の両方において、既存の手法を凌駕し、かつ大幅に高速に動作することが示された。また、MSECストリームにおける各コンポーネントの寄与を調査するために様々な分析を行った。最後に、表面再構成における我々のアプローチの有効性を実証する。

要約(オリジナル)

Estimating surface normals from 3D point clouds is critical for various applications, including surface reconstruction and rendering. While existing methods for normal estimation perform well in regions where normals change slowly, they tend to fail where normals vary rapidly. To address this issue, we propose a novel approach called MSECNet, which improves estimation in normal varying regions by treating normal variation modeling as an edge detection problem. MSECNet consists of a backbone network and a multi-scale edge conditioning (MSEC) stream. The MSEC stream achieves robust edge detection through multi-scale feature fusion and adaptive edge detection. The detected edges are then combined with the output of the backbone network using the edge conditioning module to produce edge-aware representations. Extensive experiments show that MSECNet outperforms existing methods on both synthetic (PCPNet) and real-world (SceneNN) datasets while running significantly faster. We also conduct various analyses to investigate the contribution of each component in the MSEC stream. Finally, we demonstrate the effectiveness of our approach in surface reconstruction.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL