AdaFit: Rethinking Learning-based Normal Estimation on Point Clouds (2021-ICCV)
代码地址:https://github.com/Runsong123/AdaFit.
在点云处理中,其中一个基本任务就是从点云中鲁棒地估计表面法线,这在许多实际应用中起着十分关键作用,例如表面重建、配准、分割、图元拟合、逆向工程和抓取。但由于存在噪声、点密度变化和结构缺失的问题,对点云的鲁棒且准确的表面法线估计任务仍然十分具有挑战性。
本文提出了一种用于对点云进行鲁棒法线估计的神经网络AdaFit,该网络可以处理具有噪声和密度变化的点云。现有的一些工作使用网络学习加权最小二乘曲面拟合的逐点权重来估计法线,这很难在复杂区域或包含噪声点的表面找到准确的法线。通过分析加权最小二乘曲面拟合的步骤,作者发现拟合曲面的多项式阶数很难确定,因此拟合的曲面对噪点很敏感。为了解决这些问题,作者提出了一个简单而有效的解决方案,它增加了一个额外的偏置预测层来提高法线估计的质量(PS:这里作者的工作在很多点云滤波方法中有类似的思路)。此外,为了利用来自不同邻域大小的点集,作者提出了一种新的级联尺度聚合层,以帮助网络更准确的预测逐点偏移和权重。大量实验表明,AdaFit在合成的PCPNet数据集和 真实SceneNN 数据集上都达到了SOTA。
主要贡献总结如下:
1)通过对加权表面拟合理论进行全面分析,发现了这些方法在法线估计中存在的两个关键问题。
2)通过预测偏移来调整相邻点的分布,从而实现法线估计的鲁棒性和准确性。
3)设计了一个包含CSA 层的AdaFit网络,可以同时结合邻域的小尺度和大尺度的优势,从而在多个数据集中实现性能提升。
图1 (a) 给定输入点云(左),输出是估计每个点的法线(右)。(b) 目前加权最小二乘曲面拟合受到欠拟合(上)、过拟合(中)或噪点(下)的严重影响,导致法线估计不准确。(c) 两种法线估计方法的误差图。第一个模型仅使用加权最小二乘曲面拟合(左),而第二个模型添加额外的偏移量来调整相邻点的分布,从而产生更准确的法线估计。(d) 使用具有权重的模型(左)和具有权重和偏移的模型(右)的法线重建表面结果。
目前法线估计最直接的方法是从邻域点上提取的特征值求法向量,然而,这种暴力的回归方式只会迫使网络记住法向量,这导致泛化能力有限。由于训练数据的稀缺,这种泛化问题在真实数据上更加明显。与直接回归不同,估计特定点的法线的更准确方法是在其相邻点上拟合几何曲面(平面或多项式曲面),然后根据估计的曲面计算法线。
基于此,作者针对当前法线估计的两个固有问题:第一个是由真实表面和拟合表面之间不一致的多项式阶数引起。不同点的拟合表面通常具有不同的多项式阶数,而现有方法总是为所有点选择一个恒定的阶数。这种不一致问题要么导致欠拟合,这会使图 1 (b) 顶部所示的邻域中的精细细节变得平滑。要么导致噪声过拟合,这会给图 1 (b) 中间所示的输出法线带来很大的方差。过拟合和欠拟合都可能导致错误的法线估计。第二个问题是加权表面拟合对噪点很敏感。通过理论分析逐点权重与最终估计法线的关系,作者发现远离拟合曲面的点上的权重对最终法线方向的影响较大。在这种情况下,由于噪声点比内点离拟合表面远得多,即使噪声点的权重很小也会严重影响估计的法线ÿ