A Survey and Benchmark of Automatic Surface Reconstruction from Point Clouds

要約

点群から表面を再構築するための従来の方法と学習ベースの方法の両方の包括的な調査とベンチマークを紹介します。
このタスクは、ノイズ、外れ値、不均一なサンプリング、データの欠落などの要因により、実際の収集では特に困難です。
従来のアプローチでは、入力点群または結果のサーフェスに手作りの事前分布を課すことで問題を単純化することが多く、このプロセスでは面倒なハイパーパラメータの調整が必要になる場合があります。
逆に、深層学習モデルには、入力点群と目的の表面の特性をデータから直接学習する機能があります。
私たちは、これらの手作りおよび学習された事前分布が表面再構成技術の精度と堅牢性に及ぼす影響を研究します。
私たちは、実績のあるさまざまな最新の手法を標準化された方法で評価します。
同一の特性を持つ点群でトレーニングおよび評価を行うと、新しい形状カテゴリが含まれるシナリオであっても、学習ベースのモデルは従来のモデルと比較して優れた表面を一貫して生成します$\unicode{x2013}$。
ただし、従来の方法は、現実世界の 3D 取得でよく見られるさまざまな点群の異常に対して、より優れた回復力を示しています。
研究コミュニティの利益のために、私たちはコードとデータセットを利用可能にし、学習ベースの表面再構成のさらなる強化を促します。
これには https://github.com/raphaelsulzer/dsr-benchmark からアクセスできます。

要約(オリジナル)

We present a comprehensive survey and benchmark of both traditional and learning-based methods for surface reconstruction from point clouds. This task is particularly challenging for real-world acquisitions due to factors like noise, outliers, non-uniform sampling, and missing data. Traditional approaches often simplify the problem by imposing handcrafted priors on either the input point clouds or the resulting surface, a process that can necessitate tedious hyperparameter tuning. Conversely, deep learning models have the capability to directly learn the properties of input point clouds and desired surfaces from data. We study the influence of these handcrafted and learned priors on the precision and robustness of surface reconstruction techniques. We evaluate various time-tested and contemporary methods in a standardized manner. When both trained and evaluated on point clouds with identical characteristics, the learning-based models consistently produce superior surfaces compared to their traditional counterparts$\unicode{x2013}$even in scenarios involving novel shape categories. However, traditional methods demonstrate greater resilience to the diverse array of point cloud anomalies commonly found in real-world 3D acquisitions. For the benefit of the research community, we make our code and datasets available, inviting further enhancements to learning-based surface reconstruction. This can be accessed at https://github.com/raphaelsulzer/dsr-benchmark .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google