CMG-Net: Robust Normal Estimation for Point Clouds via Chamfer Normal Distance and Multi-scale Geometry

要約

この研究は、点群から法線を推定するための正確かつ堅牢な方法を提示します。
注釈付きの法線と予測された法線の間の偏差を直接最小化し、方向の不一致を引き起こす以前のアプローチとは対照的に、この問題に対処するために、最初に面取り法線距離と呼ばれる新しい指標を提案します。
これにより、課題が軽減されるだけでなく、ネットワークのトレーニングが容易になり、ノイズに対するネットワークの堅牢性が大幅に向上します。
その後、マルチスケールの局所特徴集約と階層的幾何情報融合を包含する革新的なアーキテクチャを考案しました。
この設計により、ネットワークは複雑な幾何学的詳細をより効果的にキャプチャし、スケール選択の曖昧さを軽減できるようになります。
広範な実験により、私たちの手法が、特にノイズに汚染されたシナリオにおいて、合成データセットと現実世界のデータセットの両方で最先端のパフォーマンスを達成できることが実証されています。
私たちの実装は https://github.com/YingruiWoo/CMG-Net_Pytorch で入手できます。

要約(オリジナル)

This work presents an accurate and robust method for estimating normals from point clouds. In contrast to predecessor approaches that minimize the deviations between the annotated and the predicted normals directly, leading to direction inconsistency, we first propose a new metric termed Chamfer Normal Distance to address this issue. This not only mitigates the challenge but also facilitates network training and substantially enhances the network robustness against noise. Subsequently, we devise an innovative architecture that encompasses Multi-scale Local Feature Aggregation and Hierarchical Geometric Information Fusion. This design empowers the network to capture intricate geometric details more effectively and alleviate the ambiguity in scale selection. Extensive experiments demonstrate that our method achieves the state-of-the-art performance on both synthetic and real-world datasets, particularly in scenarios contaminated by noise. Our implementation is available at https://github.com/YingruiWoo/CMG-Net_Pytorch.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google