Asymmetrical Siamese Network for Point Clouds Normal Estimation

要約

近年、深層学習ベースの点群法線推定は大きな進歩を遂げています。
ただし、既存の方法は主に PCPNet データセットに依存しているため、過剰適合が発生します。
さらに、異なるノイズ スケールを持つ点群間の相関関係は未調査のままであり、その結果、クロスドメイン シナリオでのパフォーマンスが低下します。
この論文では、非対称シャム ネットワーク アーキテクチャを使用して、クリーンな点群とノイズの多い点群から学習した固有の特徴の一貫性を調査します。
異なるブランチから抽出された特徴間に合理的な制約を適用することで、正規推定の品質が向上します。
さらに、さまざまなノイズ レベルを持つさまざまな形状を含む、新しいマルチビュー法線推定データセットを導入します。
この新しいデータセットに関する既存の手法を評価すると、さまざまなタイプの形状に適応できないことが明らかになり、ある程度の過剰適合が示されています。
広範な実験により、提案されたデータセットが点群法線推定に重大な課題をもたらしていること、および特徴制約メカニズムが既存の手法を効果的に改善し、現在のアーキテクチャでの過剰適合を軽減していることが示されています。

要約(オリジナル)

In recent years, deep learning-based point cloud normal estimation has made great progress. However, existing methods mainly rely on the PCPNet dataset, leading to overfitting. In addition, the correlation between point clouds with different noise scales remains unexplored, resulting in poor performance in cross-domain scenarios. In this paper, we explore the consistency of intrinsic features learned from clean and noisy point clouds using an Asymmetric Siamese Network architecture. By applying reasonable constraints between features extracted from different branches, we enhance the quality of normal estimation. Moreover, we introduce a novel multi-view normal estimation dataset that includes a larger variety of shapes with different noise levels. Evaluation of existing methods on this new dataset reveals their inability to adapt to different types of shapes, indicating a degree of overfitting. Extensive experiments show that the proposed dataset poses significant challenges for point cloud normal estimation and that our feature constraint mechanism effectively improves upon existing methods and reduces overfitting in current architectures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google