[論文レビュー] Deep Feature-preserving Normal Estimation for Point Cloud Filtering

Dening Lu, Xuequan Lu+2 more|arXiv (Cornell University)|Apr 24, 2020

3D Shape Modeling and Analysis参考文献 41被引用数 9

ひとこと要約

本稿では、ノイズのある点群における特徴保持型法線推定のための深層学習ベースの手法を提案する。2段階のトレーニングパイプラインを用い、事前に点群を特徴点と非特徴点に分類した後、それぞれ別々の法線推定ネットワークをトレーニングする。このアプローチは、反復的に法線を推定し、点群の位置を更新することで、ベンチマークデータセット上でMSAEが0.59、RMSEが0.77にまで低下し、法線推定の精度および点群フィルタリング品質の両面で最先端の性能を達成する。

ABSTRACT

Point cloud filtering, the main bottleneck of which is removing noise (outliers) while preserving geometric features, is a fundamental problem in 3D field. The two-step schemes involving normal estimation and position update have been shown to produce promising results. Nevertheless, the current normal estimation methods including optimization ones and deep learning ones, often either have limited automation or cannot preserve sharp features. In this paper, we propose a novel feature-preserving normal estimation method for point cloud filtering with preserving geometric features. It is a learning method and thus achieves automatic prediction for normals. For training phase, we first generate patch based samples which are then fed to a classification network to classify feature and non-feature points. We finally train the samples of feature and non-feature points separately, to achieve decent results. Regarding testing, given a noisy point cloud, its normals can be automatically estimated. For further point cloud filtering, we iterate the above normal estimation and a current position update algorithm for a few times. Various experiments demonstrate that our method outperforms state-of-the-art normal estimation methods and point cloud filtering techniques, in terms of both quality and quantity.

研究の動機と目的

• ノイズ除去と点群フィルタリングにおける鋭い幾何的特徴の保持という課題に取り組む。
• 従来の最適化ベースおよび深層学習ベースの法線推定手法には、しばしば特徴を保持できない、または手動によるパrameter調整を要するという限界があるため、それを克服する。
• 深層学習を用いたエンドツーエンドで自動的かつ特徴に注意を向ける法線推定フレームワークを構築する。
• 異なる点群密度およびノイズレベルにわたり、頑健な性能を発揮できるようにする。
• 反復的な位置更新と統合された特徴保持型法線推定により、点群フィルタリングの品質を向上させる。

提案手法

• ノイズのある点群からパッチベースのトレーニングサンプルを生成し、分類ネットワークを用いて特徴点（非等方的）と非特徴点（等方的）を区別する。
• 特徴点と非特徴点それぞれに対して、幾何的詳細を推定時に保持するための別個の法線推定ネットワークをトレーニングする。
• 推論段階では、トレーニング済みのネットワークを用いて入力のノイズのある点群に対して自動的に法線を予測する。
• 点群の位置は、推定された法線に基づいて位置更新アルゴリズムを用いて反復的に更新され、複数回の反復によってフィルタリング品質が向上する。
• 高さマップ生成に適応的半径およびガウス重み付き補間を採用することで、密度変動に対してより頑健な性能を実現する。
• 点群処理におけるPointNetスタイルの処理と、高さマップへの2次元CNNの組み合わせにより、両方の表現を活用して特徴学習を向上させる。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースの法線推定手法は、従来の最適化または学習ベースの手法よりも、ノイズのある点群における鋭い幾何的特徴をより効果的に保持できるか？
• RQ2 特徴点と非特徴点の法線推定ネットワークを分離してトレーニングすることで、フィルタリングにおける幾何的忠実性がどのように向上するか？
• RQ3 提案手法は、点群密度やノイズレベルの変動に対してどの程度一般化可能か？
• RQ4 反復的な法線推定と位置更新は、1段階処理の手法に比べて優れたフィルタリング結果をもたらすか？
• RQ5 特徴点と非特徴点の分類が、法線推定の精度および頑健性にどのように影響を与えるか？

主な発見

• 提案手法はベンチマークデータセットで平均二乗角誤差（MSAE）が0.59を達成し、PointCleanNet（MSAE: 1.14）やGPF（MSAE: 1.73）といった最先端手法を顕著に上回った。
• フィルタリングタスクにおいてRMSEが0.77を達成し、PointCleanNet（RMSE: 1.84）やRIMLS（RMSE: 1.44）と比較して優れた幾何的忠実性を示した。
• 特徴点の分類精度は高く、これが法線推定品質の向上と直接相関しており、点群分類の重要性を裏付けた。
• 密度変動に対して強い頑健性を示し、10K、50K、100K点の全密度でPointCleanNetを一貫して上回った。
• 外れ値処理に関しては、3%および6%の外れ値レベルでは良好な性能を示したが、9%の外れ値では性能が低下し、重度のノイズに対しては限界が見られた。
• 可視化比較により、特に幾何的複雑性の高いCAD風のモデルにおいて、従来手法に比べて鋭いエッジやコーナーをよりよく保持していることが確認された。