MODNet: Multi-offset Point Cloud Denoising Network Customized for Multi-scale Patches

要約

3D サーフェスの複雑さは、多くの場合、残留ノイズ、誤って削除された幾何学的詳細など、サーフェスの劣化において最先端の点群ノイズ除去 (PCD) モデルをもたらします。
ポイントのジオメトリをエンコードするためにマルチスケール パッチを使用することは PCD の一般的な知恵になりましたが、抽出されたマルチスケール フィーチャの単純な集約では、ノイズの多いポイント周辺のジオメトリ情報に従って適切なスケール情報を適応的に利用できないことがわかりました。
特にエッジに近い点や複雑な曲面上の点では、表面の劣化につながります。
マルチスケールの幾何学的認識情報を使用して、ネットワークがマルチスケール情報を利用するように誘導する場合、深刻な表面劣化の問題を解消できるでしょうか?
それに答えるために、マルチスケールパッチ用にカスタマイズされたマルチオフセットノイズ除去ネットワーク (MODNet) を提案します。
まず、パッチ特徴エンコーダーによって 3 つのスケール パッチの低レベルの特徴を抽出します。
第 2 に、マルチスケール認識モジュールは、各スケール フィーチャにマルチスケールの幾何学的情報を埋め込み、マルチスケールの重みを回帰させて、マルチオフセットのノイズ除去変位を導くように設計されています。
3 番目に、マルチ オフセット デコーダーは 3 つのスケール オフセットを回帰します。これらはマルチスケールの重みによって導かれ、適応的に重み付けすることで最終的な変位を予測します。
実験は、私たちの方法が合成データセットと実際にスキャンされたデータセットの両方で新しい最先端のパフォーマンスを達成することを示しています。

要約(オリジナル)

The intricacy of 3D surfaces often results cutting-edge point cloud denoising (PCD) models in surface degradation including remnant noise, wrongly-removed geometric details. Although using multi-scale patches to encode the geometry of a point has become the common wisdom in PCD, we find that simple aggregation of extracted multi-scale features can not adaptively utilize the appropriate scale information according to the geometric information around noisy points. It leads to surface degradation, especially for points close to edges and points on complex curved surfaces. We raise an intriguing question — if employing multi-scale geometric perception information to guide the network to utilize multi-scale information, can eliminate the severe surface degradation problem? To answer it, we propose a Multi-offset Denoising Network (MODNet) customized for multi-scale patches. First, we extract the low-level feature of three scales patches by patch feature encoders. Second, a multi-scale perception module is designed to embed multi-scale geometric information for each scale feature and regress multi-scale weights to guide a multi-offset denoising displacement. Third, a multi-offset decoder regresses three scale offsets, which are guided by the multi-scale weights to predict the final displacement by weighting them adaptively. Experiments demonstrate that our method achieves new state-of-the-art performance on both synthetic and real-scanned datasets.

arxiv情報

著者 Anyi Huang,Qian Xie,Zhoutao Wang,Dening Lu,Mingqiang Wei,Jun Wang
発行日 2022-09-01 07:31:19+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.CV, I.2.10 パーマリンク