[論文レビュー] Improvement of Normal Estimation for PointClouds via Simplifying Surface Fitting

Jun Zhou, Wei Jin+4 more|arXiv (Cornell University)|Apr 21, 2021

Advanced Numerical Analysis Techniques参考文献 28被引用数 4

ひとこと要約

本論文は、ニューラルネットワークと古典的表面フィッティングの間の適合性を向上させるために、軽量で効果的な2つの戦略—動的top-k選択とポイント更新—を提案する。局所的表面フィッティングを、焦点を当てたポイント選択と事前フィッティングのポイントスムージングによって簡素化することで、特に鋭い特徴やノイズが多いデータにおいて、SOTAの精度を達成し、512ポイントのパッチにおいてDeepFitよりも最大5.64%の向上を実現した。

ABSTRACT

With the burst development of neural networks in recent years, the task of normal estimation has once again become a concern. By introducing the neural networks to classic methods based on problem-specific knowledge, the adaptability of the normal estimation algorithm to noise and scale has been greatly improved. However, the compatibility between neural networks and the traditional methods has not been considered. Similar to the principle of Occam's razor, that is, the simpler is better. We observe that a more simplified process of surface fitting can significantly improve the accuracy of the normal estimation. In this paper, two simple-yet-effective strategies are proposed to address the compatibility between the neural networks and surface fitting process to improve normal estimation. Firstly, a dynamic top-k selection strategy is introduced to better focus on the most critical points of a given patch, and the points selected by our learning method tend to fit a surface by way of a simple tangent plane, which can dramatically improve the normal estimation results of patches with sharp corners or complex patterns. Then, we propose a point update strategy before local surface fitting, which smooths the sharp boundary of the patch to simplify the surface fitting process, significantly reducing the fitting distortion and improving the accuracy of the predicted point normal. The experiments analyze the effectiveness of our proposed strategies and demonstrate that our method achieves SOTA results with the advantage of higher estimation accuracy over most existed approaches.

研究の動機と目的

• ポイントクラウド法線推定における学習されたニューラルネットワークと古典的表面フィッティング手法の間の不適合性を解消すること。
• 鋭いコーナー領域や複雑なパターンを示す領域におけるフィッティングの複雑さと歪みを低減すること。
• ノイズやサンプリング密度の変動にさらされても法線推定の精度を向上させること。
• モデルの複雑さを増加させることなく、表面フィッティングプロセスを簡素化する軽量で効果的な戦略を開発すること。

提案手法

• 局所パッチ内の重要なポイントを学習的に優先順位づける動的top-k選択戦略を導入し、正確な法線推定に向けた表面フィッティングを最も関連性の高いポイントに集中させる。
• フィッティングの前にポイント位置を変形するポイント更新戦略を提案し、滑らかでより平面的なパッチを生成することで、フィッティング歪みを低減する。
• ポイント選択および位置調整のための重みを予測するニューラルネットワークを用い、適応的で学習ベースのフィッティングプロセスの最適化を可能にする。
• 前処理後に低次のパラメトリック表面（例：接平面）を用いた簡素化されたフィッティングプロセスを適用し、耐性と精度を向上させる。
• 2つの戦略を統合したフレームワークを構築し、ディープラーニングと従来の幾何的フィッティングの間の適合性を向上させる。
• 法線予測のための回帰損失を用いてエンドツーエンドでネットワークを学習させながら、フィッティングの単純さと精度を最適化する。

実験結果

リサーチクエスチョン

• RQ1 表面フィッティングプロセスを単純化することで、鋭いコーナーのような困難な領域における法線推定精度が向上するか？
• RQ2 ニューラルネットワークをどのように古典的表面フィッティングと統合することで、フィッティング歪みを低減し、耐性を向上させられるか？
• RQ3 局所パッチ内の重要なポイントの動的選択は、一様または固定選択よりも正確な法線推定をもたらすか？
• RQ4 フィッティング前のポイント位置の調整が、表面フィッティングの複雑さと誤差を顕著に低減できるか？
• RQ5 これらの軽量戦略は、滑らかで鋭い特徴の両方において、SOTA手法と比較してどの程度性能を向上させるか？

主な発見

• 提案手法はSOTAの性能を達成し、512ポイントのサンプリングパッチにおいてDeepFitよりも5.64%の精度向上を実現した。
• ポイント更新戦略は、512ポイントのパッチにおいて法線推定を4.38%向上させ、鋭いエッジ付近でのフィッティング歪みを顕著に低減した。
• top-k選択戦略は、256ポイントのパッチで4.66%、512ポイントのパッチで5.64%の性能向上をもたらし、特に複雑な特徴において精度を向上させた。
• 本手法は、PGP10（誤差<10°のポイントの割合）においてDeepFitを上回る改善を達成し、特に鋭い領域やノイズが多い領域で最大の向上が観察された。
• 256ポイントパッチではk=50、512ポイントパッチではk=100が最適な結果をもたらし、サンプリング密度の変動に対してもロバストであることを示した。
• 簡素化されたフィッティングプロセス—しばしば1次表面で十分—が顕著に精度を向上させ、単純なフィッティングがより効果的であるという原則を裏付けた。