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

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

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

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

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

该论文提出了一种准确且强大的方法来从点云中估计法线。通过提出 Chamfer 法线距离这一新的度量标准，我们解决了之前直接最小化注释和预测法线之间偏差所导致的方向不一致问题，并提高了网络训练和鲁棒性。此外，我们设计了一种创新的架构，包括多尺度局部特征聚合和分级几何信息融合。这种设计使网络能够更有效地捕捉复杂的几何细节，并减轻尺度选择中的歧义。广泛的实验证明，我们的方法在合成和真实数据集上均取得了最先进的性能，尤其是在受噪声污染的场景中。我们的实现可在此 https URL 上获得。

Dec, 2023

本文提出了一种用于三维计算机视觉中非结构化点云数据的法线估计方法 - Neural Angle Fields (NeAF), 使用球坐标系下的隐式函数学习每个点周围的角度场，可以更加鲁棒地推断出所需法向量，并且在合成数据和真实数据上都取得了显著的性能提升。

Nov, 2022

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

该论文提出了一种神经网络 AdaFit，用于在含有噪声和密度变化的点云上进行强健的法线估计，并通过实验证明其能够在合成数据集和真实场景数据集上实现最好的性能。

Aug, 2021