Sep, 2023
定向点法线估计的神经梯度学习和优化
Neural Gradient Learning and Optimization for Oriented Point Normal Estimation
Qing Li, Huifang Feng, Kanle Shi, Yi Fang, Yu-Shen Liu...
TL;DR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。