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

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

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

本文提出了一种基于深度学习的点云局部三维形状属性估计方法 PCPNet，采用基于 patch 的学习方法，结合多尺度编码，能在强噪声和多尺度特征的情况下更好地估计法线及曲率等局部形状信息。我们的方法在结构化三角网格训练数据上训练，可以在处理噪声点云时得到比现有技术更好的结果，并成功在形状重构方面得到应用。

Oct, 2017

通过应用合理的约束条件，我们在干净点云和有噪点云上学习得到的内在特征的一致性，提出了一种改进正常估计质量的方法，并引入一个包含不同噪声级别的多视角正常估计数据集，通过评估现有方法在该数据集上的表现发现其过拟合问题，持久实验证明了我们的特征约束机制能够有效改进现有方法并降低当前架构中的过拟合现象。

Jun, 2024

基于神经隐式表示的重建方法通过使神经函数具备有符号距离函数的特性，结合拟合正则化项，可以从点云中重建出粗糙但贴合度较高的表面，同时有效抑制幽灵几何并从未定向的点云中恢复细节。

Sep, 2023

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

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

本研究提出一种使用无标记交叉熵损失的卷积占据网络进行表面重建的方法，以实现大规模场景的高级可扩展性、新型形状的一般性和原始扫描的适用性。实验结果表明，该方法对于未定向点云的表面重建具有优越的准确性。

May, 2021

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