GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided Distance Representation

要約

我々は、まばらな点群から離散表面を再構成するという長年の困難な問題に取り組むために、学習ベースの手法、つまり GeoUDF を提案します。具体的には、UDF とその勾配推定のための幾何学に基づく学習手法を提案します。
クエリ点の符号なし距離を、表面上の隣接する点の接平面までの距離の学習可能なアフィン平均として明示的に定式化します。
さらに、各点の二次多項式を明示的に学習することにより、入力点群の局所的な幾何学的構造をモデル化します。
これにより、入力まばらな点群のアップサンプリングが容易になるだけでなく、方向性のない法線も自然に誘導され、UDF 推定がさらに強化されます。
最後に、予測された UDF から三角形メッシュを抽出するために、カスタマイズされたエッジベースのマーチング キューブ モジュールを提案します。
私たちは大規模な実験とアブレーション研究を実施し、再構成の精度、効率、汎用性の点で最先端の方法に比べて当社の方法が大きな利点があることを実証しています。
ソース コードは https://github.com/rsy6318/GeoUDF で公開されています。

要約(オリジナル)

We present a learning-based method, namely GeoUDF,to tackle the long-standing and challenging problem of reconstructing a discrete surface from a sparse point cloud.To be specific, we propose a geometry-guided learning method for UDF and its gradient estimation that explicitly formulates the unsigned distance of a query point as the learnable affine averaging of its distances to the tangent planes of neighboring points on the surface. Besides,we model the local geometric structure of the input point clouds by explicitly learning a quadratic polynomial for each point. This not only facilitates upsampling the input sparse point cloud but also naturally induces unoriented normal, which further augments UDF estimation. Finally, to extract triangle meshes from the predicted UDF we propose a customized edge-based marching cube module. We conduct extensive experiments and ablation studies to demonstrate the significant advantages of our method over state-of-the-art methods in terms of reconstruction accuracy, efficiency, and generality. The source code is publicly available at https://github.com/rsy6318/GeoUDF.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google