AdaFit: 基于学习的点云法向量估计的重新思考
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
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
本文提出了一种精确高效的方法,用于处理非结构化三维点云上的噪声与非均匀密度,并通过图卷积特征表示学习局部邻域几何信息进行法向量估计,设计了基于注意力机制的自适应模块,进一步增强了法向估计器对点密度变化的鲁棒性,并引入多尺度结构提取图块来学习更丰富的几何特征,在多个基准数据集上实现了最先进的精度和较强的噪声鲁棒性。
Jul, 2022
我们介绍了一种基于自我注意力机制的新型网络,可以软性聚焦于相关点,并通过学习温度参数来调整软性,使其能够在较大的近邻范围内自然而有效地工作。结果,我们的模型比所有现有的正常估计算法表现更好,精度达到 94.1%,比以前的 91.2% 的最高水平快 25 倍小,推理时间快 12 倍。我们还使用点对平面迭代最近点(ICP)作为应用案例,以展示我们的正常估计比其他方法的正常估计更快地收敛,而无需手动微调近邻参数范围。
Aug, 2020
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
本文提出了基于多尺度点统计(MuPS)的局部高斯网格表示的法向估计方法 Nesti-Net,使用混合专家(MoE)结构来优化每个点周围的最佳比例,从而显著提高模型的鲁棒性和精度。实验结果表明,该方法在合成数据集上达到了最先进水平,并在实际扫描场景上展现了良好的表现。
Dec, 2018
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
该研究提出了一种基于图神经网络和自适应各向异性核的表面法线估计算法,不需要任何手动特征或预处理,优于现有深度学习方法,在保留尖锐特征和空间等变性的同时,速度和参数效率均为同类算法的两个数量级。
Apr, 2019
本文提出一种基于多补丁拼接的有效法线估计方法。通过使用局部特征聚合和多支平面专家模块等创新手段,实现在降低计算成本和提高鲁棒性的同时,取得了极具竞争力的效果。
Mar, 2021