Points2Surf: Learning Implicit Surfaces from Point Cloud Patches

要約

スキャンベースのアセット作成ワークフローにおける重要なステップは、順序付けられていない点群をサーフェスに変換することです。
古典的な方法 (ポアソン再構成など) は、ノイズの多い部分的なスキャンが存在すると性能が低下し始めます。
したがって、部分的なスキャンからでも完全な表面を生成する深層学習ベースの方法が最近提案されています。
ただし、このようなデータ駆動型の手法は、幾何学的および位相幾何学的に大きな変化を伴う新しい形状に一般化するのに苦労しています。
私たちは、法線を使用せずに生のスキャンから直接正確なサーフェスを生成する、新しいパッチベースの学習フレームワークである Points2Surf を紹介します。
詳細なローカル パッチと大まかなグローバル情報の組み合わせに対する事前学習により、汎化パフォーマンスと再構成の精度が向上します。
合成データと実際のデータの両方での広範な比較により、これまでに見たことのないクラスでの最先端の代替手法と比較したこの手法の明らかな利点が実証されています (平均して、Points2Surf は再構成エラーを SPR に対して 30%、ディープに対して 270% 以上削減します)
学習ベースの SotA メソッド) を使用すると、計算時間が長くなり、場合によっては小規模なトポロジカル ノイズがわずかに増加します。
ソース コード、事前トレーニングされたモデル、データセットは、https://github.com/ErlerPhilipp/points2surf から入手できます。

要約(オリジナル)

A key step in any scanning-based asset creation workflow is to convert unordered point clouds to a surface. Classical methods (e.g., Poisson reconstruction) start to degrade in the presence of noisy and partial scans. Hence, deep learning based methods have recently been proposed to produce complete surfaces, even from partial scans. However, such data-driven methods struggle to generalize to new shapes with large geometric and topological variations. We present Points2Surf, a novel patch-based learning framework that produces accurate surfaces directly from raw scans without normals. Learning a prior over a combination of detailed local patches and coarse global information improves generalization performance and reconstruction accuracy. Our extensive comparison on both synthetic and real data demonstrates a clear advantage of our method over state-of-the-art alternatives on previously unseen classes (on average, Points2Surf brings down reconstruction error by 30% over SPR and by 270%+ over deep learning based SotA methods) at the cost of longer computation times and a slight increase in small-scale topological noise in some cases. Our source code, pre-trained model, and dataset are available on: https://github.com/ErlerPhilipp/points2surf

arxiv情報

提供元, 利用サービス

arxiv.jp, Google