NeuralGF: Unsupervised Point Normal Estimation by Learning Neural Gradient Function

要約

3D 点群の通常推定は、3D ジオメトリ処理の基本的なタスクです。
最先端の方法は、通常の監視から学習した局所表面のフィッティングの事前分布に依存しています。
ただし、ベンチマークにおける通常の監視は合成形状から得られ、通常は実際のスキャンからは利用できないため、これらの方法で学習された事前分布が制限されます。
さらに、形状全体にわたる通常の方向の一貫性は、別個の後処理手順なしでは達成することが依然として困難です。
これらの問題を解決するために、我々は、グラウンドトゥルース法線を監視として使用せずに、点群から直接指向性法線を推定する新しい方法を提案します。
これは、ニューラル勾配関数を学習するための新しいパラダイムを導入することで実現します。これにより、ニューラル ネットワークが入力点群に適合し、点での単位ノルム勾配が得られるようになります。
具体的には、クエリ ポイントが移動ターゲットに反復的に到達し、近似表面に集約できるようにする損失関数を導入します。これにより、データのグローバル表面表現が学習されます。
一方、クエリの最小符号付き偏差を測定するために曲面近似に勾配を組み込み、その結果、曲面に関連付けられた一貫した勾配フィールドが得られます。
これらの技術は、ノイズ、外れ値、密度変動に対して堅牢な、教師なし指向の深い正規推定器につながります。
広く使用されているベンチマークでの優れた結果は、私たちの方法が、無指向法線推定タスクと有向法線推定タスクの両方について、最新の方法よりも正確な法線を学習できることを示しています。
ソース コードと事前トレーニングされたモデルは、https://github.com/LeoQLi/NeuralGF で公開されています。

要約(オリジナル)

Normal estimation for 3D point clouds is a fundamental task in 3D geometry processing. The state-of-the-art methods rely on priors of fitting local surfaces learned from normal supervision. However, normal supervision in benchmarks comes from synthetic shapes and is usually not available from real scans, thereby limiting the learned priors of these methods. In addition, normal orientation consistency across shapes remains difficult to achieve without a separate post-processing procedure. To resolve these issues, we propose a novel method for estimating oriented normals directly from point clouds without using ground truth normals as supervision. We achieve this by introducing a new paradigm for learning neural gradient functions, which encourages the neural network to fit the input point clouds and yield unit-norm gradients at the points. Specifically, we introduce loss functions to facilitate query points to iteratively reach the moving targets and aggregate onto the approximated surface, thereby learning a global surface representation of the data. Meanwhile, we incorporate gradients into the surface approximation to measure the minimum signed deviation of queries, resulting in a consistent gradient field associated with the surface. These techniques lead to our deep unsupervised oriented normal estimator that is robust to noise, outliers and density variations. Our excellent results on widely used benchmarks demonstrate that our method can learn more accurate normals for both unoriented and oriented normal estimation tasks than the latest methods. The source code and pre-trained model are publicly available at https://github.com/LeoQLi/NeuralGF.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google