[論文レビュー] AdaFit: Rethinking Learning-based Normal Estimation on Point Clouds

Runsong Zhu, Yuan Liu+5 more|arXiv (Cornell University)|Aug 12, 2021

3D Shape Modeling and Analysis被引用数 8

ひとこと要約

AdaFitは、重み付き最小二乗法の表面適合に学習可能なポイントワイドオフセットを導入することで、ノイズが多く不均一な点群においても頑健な法線推定を実現する、深層学習フレームワークを提案する。重みとオフセットを同時に予測し、マルチスケール特徴統合のためのカスケードドスケールアグリゲーション（CSA）層を用いることで、AdaFitは合成データ（PCPNet）および実世界データ（SceneNN）の両方で最先端の性能を達成し、複雑でノイズの多い領域における精度を顕著に向上させる。

ABSTRACT

This paper presents a neural network for robust normal estimation on point clouds, named AdaFit, that can deal with point clouds with noise and density variations. Existing works use a network to learn point-wise weights for weighted least squares surface fitting to estimate the normals, which has difficulty in finding accurate normals in complex regions or containing noisy points. By analyzing the step of weighted least squares surface fitting, we find that it is hard to determine the polynomial order of the fitting surface and the fitting surface is sensitive to outliers. To address these problems, we propose a simple yet effective solution that adds an additional offset prediction to improve the quality of normal estimation. Furthermore, in order to take advantage of points from different neighborhood sizes, a novel Cascaded Scale Aggregation layer is proposed to help the network predict more accurate point-wise offsets and weights. Extensive experiments demonstrate that AdaFit achieves state-of-the-art performance on both the synthetic PCPNet dataset and the real-word SceneNN dataset.

研究の動機と目的

• 重み付き最小二乗法適合に依存する従来の学習ベース法の限界、特に多項式次数の不一致と外れ値への感受性に起因する問題を解決する。
• 重み付き最小二乗法の外れ値への感受性を、隣接点の再配置を可能にする追加のオフセット予測メカニズムを導入することで克服する。
• 手動による近傍サイズ（スケール）選択に依存しないようにするため、複数スケールの特徴を統合するカスケードドスケールアグリゲーション（CSA）層を設計する。
• ノイズ、密度の変動、欠損構造を含む実世界の点群において、一般化性能とロバストネスを向上させる。
• 表面再構築や点群のノイズ除去といった下流タスクにおけるAdaFitの有効性を示す。

提案手法

• 表面適合の前に隣接点の位置を調整する学習可能なオフセット予測ヘッドを提案し、多項式次数が不一致であっても真の表面とよりよく一致するようにする。
• 複数の近傍スケールからの特徴を抽出し、それらを統合することでロバストネスと精度を向上させる、新規のカスケードドスケールアグリゲーション（CSA）層を導入する。
• 2本のブランチを持つネットワークアーキテクチャを採用：1本目のブランチは重み付き最小二乗法のためのポイントワイド重みを予測し、もう1本のブランチは隣接点の再配置のためのポイントワイドオフセットを予測する。
• 最終的な表面適合を、点群が予測されたオフセットでシフトされた後、学習済み重みを用いて計算する修正された重み付き最小二乗問題として定式化する。
• 予測された法線と真値との間の標準L2損失を用いて、ネットワークをエンドツーエンドで訓練する。
• 微分可能な表面適合レイヤーを適用し、調整済みの点群位置と学習済み重みから多項式表面をフィッティングし、法線を計算する。

実験結果

リサーチクエスチョン

• RQ1 なぜ現在の学習ベース法は、学習された重みを用いても複雑またはノイズの多い領域で失敗するのか？
• RQ2 真の表面の多項式次数と、従来の方法で固定された次数で行う適合処理との不一致が、法線推定精度にどのように影響するのか？
• RQ3 なぜ重み付き最小二乗法は外れ値に感受性が高く、隣接点の学習可能な変換によってその感受性を軽減できるのか？
• RQ4 マルチスケール特徴統合により、手動による近傍サイズ選択の必要性を低減でき、ロバストネスが向上するのか？
• RQ5 オフセット予測の追加により、固有のノイズや密度変動を含む実世界データセットにおける一般化性能が向上するのか？

主な発見

• PCPNetデータセットにおいて、AdaFitは最先端の性能を達成し、オフセット予測を用いることで高ノイズ条件下でも平均法線RMSEを11.22まで低減した。
• オフセット予測を有するモデルは、平面と3-jetの多項式次数の違いに関わらず一貫した性能を維持するが、ベースラインモデルは次数選択に極めて感受性が高かった。
• カスケードドスケールアグリゲーション（CSA）層により、手動によるスケールチューニングの必要性が低減され、全ノイズレベルで優れた性能を示し、近傍サイズの変更に対しても感受性が低いことが確認された。
• 外れ値を除去するために小さな重みを閾値処理する手法と比較して、AdaFitのオフセット予測法は平均で1.5～2.5倍のRMSE改善効果を示した。
• 表面再構築において、AdaFitは最も正確で完全な表面を生成し、平均表面距離RMSEが0.00529（DeepFit：0.00994、Lenssenら：0.01401）を記録した。
• AdaFitは高品質な点群のノイズ除去を可能にし、鋭いエッジを保持しながら平坦領域を滑らかに平滑化することが、定性的な比較で示された。