Neural-IMLS: Self-supervised Implicit Moving Least-Squares Network for Surface Reconstruction

要約

入力点群、特に実走査がノイジーで法線を欠く場合、表面再構成は非常に困難である。多層パーセプトロン（MLP）と暗黙的移動最小二乗関数（IMLS）が基礎となる表面の二重表現を提供することを観察し、我々は、自己教師付き方式で無方向性生点群からノイズに強い符号付き距離関数（SDF）を直接学習する新しいアプローチであるNeural-IMLSを紹介する。IMLSを実行するためにデータ点の法線を正則化するためにMLPを使用しながら、MLPによって報告された距離値を正則化するためにIMLSを使用する。また、収束時に、MLPとIMLSの相互学習メカニズムの恩恵を受けた我々のニューラルネットワークが、そのゼロレベル集合が基底のサーフェスを近似する忠実なSDFを生成することを証明する。我々は、合成スキャンと実スキャンを含む様々なベンチマークで広範囲な実験を行った。その結果、ノイズや欠落のある様々なベンチマークにおいて、em Neural-IMLSは忠実な形状を再構成できることが示された。ソースコードは、~url{https://github.com/bearprin/Neural-IMLS} にある。

要約(オリジナル)

Surface reconstruction is very challenging when the input point clouds, particularly real scans, are noisy and lack normals. Observing that the Multilayer Perceptron (MLP) and the implicit moving least-square function (IMLS) provide a dual representation of the underlying surface, we introduce Neural-IMLS, a novel approach that directly learns the noise-resistant signed distance function (SDF) from unoriented raw point clouds in a self-supervised fashion. We use the IMLS to regularize the distance values reported by the MLP while using the MLP to regularize the normals of the data points for running the IMLS. We also prove that at the convergence, our neural network, benefiting from the mutual learning mechanism between the MLP and the IMLS, produces a faithful SDF whose zero-level set approximates the underlying surface. We conducted extensive experiments on various benchmarks, including synthetic scans and real scans. The experimental results show that {\em Neural-IMLS} can reconstruct faithful shapes on various benchmarks with noise and missing parts. The source code can be found at~\url{https://github.com/bearprin/Neural-IMLS}.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL