Inferring Neural Signed Distance Functions by Overfitting on Single Noisy Point Clouds through Finetuning Data-Driven based Priors

要約

多くのコンピューター ビジョン アプリケーションでは、点群から正確な符号付き距離関数 (SDF) を推定することが重要です。
最新の方法では、データ駆動ベースまたは過学習ベースの戦略を使用してニューラル SDF を学習します。
ただし、これら 2 種類の手法は一般化が不十分であるか、収束が遅いため、ノイズの多い点群などの困難なシナリオでは機能が制限されます。
この問題を解決するために、ニューラル SDF の学習において、より優れた一般化、より高速な推論、より高い精度を実現するために、データ駆動ベースの手法と過学習ベースの手法の両方の長所を促進する方法を提案します。
局所領域に新しい統計的推論アルゴリズムを導入します。これは、符号付き距離監視、クリーンな点群、または点法線なしで、データ駆動型の事前分布を微調整することができます。
これにより、このメソッドは適切な初期化から開始し、より高速に最小値に収束することができます。
最先端の手法と数値的および視覚的に比較すると、広く使用されている形状およびシーンのベンチマークでのサーフェスの再構成と点群のノイズ除去において、これらの手法よりも優れていることがわかります。
コードは https://github.com/chenchao15/LocalN2NM で入手できます。

要約(オリジナル)

It is important to estimate an accurate signed distance function (SDF) from a point cloud in many computer vision applications. The latest methods learn neural SDFs using either a data-driven based or an overfitting-based strategy. However, these two kinds of methods are with either poor generalization or slow convergence, which limits their capability under challenging scenarios like highly noisy point clouds. To resolve this issue, we propose a method to promote pros of both data-driven based and overfitting-based methods for better generalization, faster inference, and higher accuracy in learning neural SDFs. We introduce a novel statistical reasoning algorithm in local regions which is able to finetune data-driven based priors without signed distance supervision, clean point cloud, or point normals. This helps our method start with a good initialization, and converge to a minimum in a much faster way. Our numerical and visual comparisons with the state-of-the-art methods show our superiority over these methods in surface reconstruction and point cloud denoising on widely used shape and scene benchmarks. The code is available at https://github.com/chenchao15/LocalN2NM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google