A Survey and Benchmark of Automatic Surface Reconstruction from Point Clouds

要約

点群からの表面再構築の問題に対処する、従来型および新規の学習ベースのアルゴリズムを調査し、ベンチマークします。
点群からの表面再構築は、ノイズ、外れ値、不均一なサンプリング、欠落データのために、実際の取得に適用する場合に特に困難です。
伝統的に、問題をより扱いやすくするために、入力点または出力面のさまざまな手作りの事前分布が提案されてきました。
ただし、さまざまな取得の欠陥に対して事前確率を調整するためのハイパーパラメーターの調整は、面倒な作業になる可能性があります。
この目的のために、深層学習コミュニティは最近、表面再構築の問題に取り組んできました。
従来のアプローチとは対照的に、ディープ サーフェス再構成法は、ポイント クラウドと対応するトゥルー サーフェスのトレーニング セットから事前確率を直接学習できます。
私たちの調査では、さまざまな手作りの学習済み事前確率が、欠陥を含む入力に対する方法の堅牢性と、幾何学的および位相的に正確な再構成を生成する能力にどのように影響するかを詳しく説明しています。
私たちのベンチマークでは、同じ根拠に基づいて、いくつかの従来の学習ベースの方法の再構築を評価します。
学習ベースの方法は目に見えない形状カテゴリに一般化できることを示しますが、それらのトレーニング セットとテスト セットは同じ点群の特性を共有する必要があります。
また、ベンチマークで競うためのコードとデータも提供し、学習ベースの表面再構成の開発をさらに刺激します https://github.com/raphaelsulzer/dsr-benchmark.

要約(オリジナル)

We survey and benchmark traditional and novel learning-based algorithms that address the problem of surface reconstruction from point clouds. Surface reconstruction from point clouds is particularly challenging when applied to real-world acquisitions, due to noise, outliers, non-uniform sampling and missing data. Traditionally, different handcrafted priors of the input points or the output surface have been proposed to make the problem more tractable. However, hyperparameter tuning for adjusting priors to different acquisition defects can be a tedious task. To this end, the deep learning community has recently addressed the surface reconstruction problem. In contrast to traditional approaches, deep surface reconstruction methods can learn priors directly from a training set of point clouds and corresponding true surfaces. In our survey, we detail how different handcrafted and learned priors affect the robustness of methods to defect-laden input and their capability to generate geometric and topologically accurate reconstructions. In our benchmark, we evaluate the reconstructions of several traditional and learning-based methods on the same grounds. We show that learning-based methods can generalize to unseen shape categories, but their training and test sets must share the same point cloud characteristics. We also provide the code and data to compete in our benchmark and to further stimulate the development of learning-based surface reconstruction https://github.com/raphaelsulzer/dsr-benchmark.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google