A Survey and Benchmark of Automatic Surface Reconstruction from Point Clouds

要約

本稿では、点群からの表面再構成のための、従来の手法と学習ベースの手法の包括的な調査とベンチマークを紹介する。このタスクは、ノイズ、外れ値、一様でないサンプリング、欠損データなどの要因により、実世界の取得では特に困難である。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のいずれか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いが、このプロセスは面倒なハイパーパラメータのチューニングを必要とすることがある。逆に、ディープラーニングモデルには、入力点群や所望のサーフェスの特性をデータから直接学習する機能がある。我々は、これらの手作りと学習されたプリオールが、サーフェス再構成技術の精度とロバスト性に与える影響について研究する。標準化された方法で、様々な実績のある方法と最新の方法を評価する。同一の特性を持つ点群に対して学習・評価した場合、学習ベースのモデルは、新規の形状カテゴリを含むシナリオでも、従来の同等手法と比較して、一貫して優れたサーフェスを生成する$unicode{x2013}$。しかし、従来の手法は、実世界の3D取得で一般的に見られる多様な点群の異常に対して、より高い耐性を示す。研究コミュニティのために、我々のコードとデータセットを公開し、学習ベースのサーフェス再構成のさらなる拡張を呼びかける。これは https://github.com/raphaelsulzer/dsr-benchmark からアクセスできる。

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, DeepL