CMG-Net: 基于 Chamfer 法线距离和多尺度几何学的点云鲁棒法线估计

AAAIDec, 2023

CMG-Net: 基于 Chamfer 法线距离和多尺度几何学的点云鲁棒法线估计

CMG-Net: Robust Normal Estimation for Point Clouds via Chamfer Normal Distance and Multi-scale Geometry

Yingrui Wu, Mingyang Zhao, Keqiang Li, Weize Quan, Tianqi Yu...

TL;DR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。

Abstract

This work presents an accurate and robust method for estimating normals from point clouds. In contrast to predecessor approaches that minimize the deviations between the annotated and the predicted normals directly, leading to direction inconsistency, we first propose a new metric term

estimating normals chamfer normal distance network training multi-scale local feature aggregation state-of-the-art performance

发现论文，激发创造

通过样本选择优化 3D 点云法线估计

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

NeuralGF: 通过学习神经梯度函数进行无监督点法线估计

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

加权点云法向估计

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

GraphFit: 学习多尺度图卷积表示用于点云法向估计

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

点云法向量估计网络

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

可学习的点云重建之零件度量距离

通过动态地关注具有一组可学习网络控制的不同权重分布的匹配距离，我们提出了一种简单但有效的重构损失，即可学习的 Chamfer 距离（LCD）。通过训练对抗策略，LCD 学习搜索重构结果中的缺陷，并克服了静态匹配规则的缺点，同时还可以保证低迭代次数时的性能，并且具有更快的收敛速度和可比较的训练效率。

Dec, 2023

E$^3$-Net：高效的 E (3)- 等变法向量估计网络

通过提出 E3-Net，引入一种高效的随机框架方法、高斯加权损失函数和感知层感知推理策略来实现点云法线估计的等变性，从而显著提高了模型的准确性。与当前最先进的技术相比，我们在两个合成数据集和一个真实世界数据集上的结果都更优秀，RMSE 分别提高了 4%、2.67% 和 2.44%。

Jun, 2024

Nesti-Net: 使用卷积神经网络进行非结构化三维点云的法向估计

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

点云法线估计的非对称孪生网络

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

MSECNet：基于多尺度边缘条件的精确和鲁棒的三维点云法向估计

MSECNet 是一种改进正常变化区域估计的方法，通过将正常变化建模视为边缘检测问题，采用多尺度特征融合和自适应边缘检测实现强大的边缘检测，将检测到的边缘与主干网络的输出结合，以产生边缘感知表示。在合成和现实世界数据集上，MSECNet 在性能上优于现有方法，且运行速度显著更快，表明该方法在表面重建中的有效性。

Aug, 2023