本文提出使用深度神经网络(DNNs)进行具有较低近似误差的点云法向量估计,其中采用了 Z 方向变换和误差建模作为基本设计原则,并将其与现有最先进的法向量估计方法集成。
Mar, 2023
通过引入一种新的神经梯度函数学习范式,我们提出了一种从点云中直接估计定向法线的新方法,它能够更准确地学习未定向和定向法线估计任务。
Nov, 2023
使用 Transformer 从带有噪声和密度变化的点云中准确预测法线,在合成形状数据集 PCPNet 和真实世界室内场景数据集 SceneNN 上实现了最先进的性能,表现出更强的抗噪性和显著更快的推理速度,同时证明了现有工作中的复杂手工设计模块在表面法线估计任务中并非必需。
Jan, 2024
该研究提出了一种新的基于特征保留的法线估计方法来过滤点云,并通过实验证明其在去除噪点和保留几何特征方面的效果优于现有法线估计方法和点云过滤技术。
Apr, 2020
Deepfit 是一种用于 unstructured 3D 点云的曲面拟合方法,它利用神经网络来学习加权最小二乘多项式曲面拟合的点权重。该方法可提取法向量、主曲率等几何特性,同时具有噪声去除的应用。
Mar, 2020
本文介绍了一种基于神经网络的 3D 点云去噪架构,使用深度学习技术进行去噪,将超过 40000 个采样点的 3D 数据进行网络训练,使用 350 个数据集进行测试,结果表明该算法具有更好的去噪性能和更小的方差。
Apr, 2019
本研究提出了一种加权法线估算方法,包括一种新型加权法线回归技术和一项对比度学习预处理过程,在保持特征的同时实现了鲁棒性,处理了噪声和复杂的点云,获得了合成和真实数据集上的最先进性能。
May, 2023
我们提出了神经梯度学习(NGL),一种用于从三维点云中学习具有一致方向的梯度向量的深度学习方法,具有出色的梯度近似性能。我们利用简单的神经网络对目标函数进行参数化,使用全局隐式表示在点上产生梯度;然而,由于缺乏局部详细描述,导致得到的梯度通常与真实的定向法线相差很大。因此,我们引入了基于局部平面几何的梯度向量优化(GVO),以学习角距离场以细化粗糙的梯度向量。最后,我们用粗糙估计后的细化进行我们的方法的二阶段流程。此外,我们将两个加权函数(各向异性核和内点得分)整合到优化中,以提高鲁棒性和保持细节的性能。我们的方法在全局梯度近似性能高效且同时具有更好的局部特征描述的准确性和泛化能力,因此成为具有抗噪声、异常值和点密度变化能力的最先进的法线估计器。广泛的评估结果表明,我们的方法在常用基准测试中无定向和定向法线估计方面优于之前的工作。源代码和预训练模型可以在此 https URL 获取。
Sep, 2023
本文使用卷积神经网络进行单张图像表面法线的预测,并通过加入人工约束和中间表征优化网络结构,得到了表现最优的结果。
Nov, 2014
通过引入全局信息和各种约束机制,我们设计了一个基础框架来增强现有模型,同时采用基于置信度的策略选择合理样本进行公平且鲁棒的网络训练,并利用现有的定向方法纠正估计的非定向法线,在定向和非定向任务中实现了最先进的性能。广泛的实验结果证明了我们的方法对广泛使用的基准测试数据集表现良好。
May, 2024