[論文レビュー] Normal Estimation for 3D Point Clouds via Local Plane Constraint and Multi-scale Selection

Jun Zhou, Huang Hua+2 more|arXiv (Cornell University)|Oct 18, 2019

3D Shape Modeling and Analysis参考文献 23被引用数 5

ひとこと要約

本稿では、局所平面特徴制約（LPFC）とマルチスケール選択を用いた3次元点群の法線推定手法を提案する。LPFCはバイナリ分類器を用いて平面内点と外れ点を区別することで、ノイズや大規模なサンプリングスケールに対して高いロバスト性を実現する平面認識特徴を強化する。スケール選択ネットワークは各点ごとの最適な局所スケールを学習し、ノイズレベルや複雑な幾何構造の下でも最先端の性能を達成する。

ABSTRACT

In this paper, we propose a normal estimation method for unstructured 3D point clouds. In this method, a feature constraint mechanism called Local Plane Features Constraint (LPFC) is used and then a multi-scale selection strategy is introduced. The LPEC can be used in a single-scale point network architecture for a more stable normal estimation of the unstructured 3D point clouds. In particular, it can partly overcome the influence of noise on a large sampling scale compared to the other methods which only use regression loss for normal estimation. For more details, a subnetwork is built after point-wise features extracted layers of the network and it gives more constraints to each point of the local patch via a binary classifier in the end. Then we use multi-task optimization to train the normal estimation and local plane classification tasks simultaneously.Also, to integrate the advantages of multi-scale results, a scale selection strategy is adopted, which is a data-driven approach for selecting the optimal scale around each point and encourages subnetwork specialization. Specifically, we employed a subnetwork called Scale Estimation Network to extract scale weight information from multi-scale features. More analysis is given about the relations between noise levels, local boundary, and scales in the experiment. These relationships can be a better guide to choosing particular scales for a particular model. Besides, the experimental result shows that our network can distinguish the points on the fitting plane accurately and this can be used to guide the normal estimation and our multi-scale method can improve the results well. Compared to some state-of-the-art surface normal estimators, our method is robust to noise and can achieve competitive results.

研究の動機と目的

• ノイズ多発、スパarsity、非一様なサンプリングが生じる3次元点群における法線推定の課題に対処すること。
• 大規模なパッチにおいて平面内点と外れ点を区別できない既存のディーブラーニング手法の限界を克服すること。
• バイナリ分類制約による局所平面認識特徴学習の強制により、法線推定のロバスト性を向上させること。
• 各点ごとに最適な局所スケールを自動的に選択するデータ駆動型スケール選択戦略を開発し、精度を向上させること。
• ノイズレベルや幾何的複雑性の変動にわたって優れた性能を示すことを実証すること。特に鋭いエッジや境界部においても有効である。

提案手法

• 局所フィッティング平面上の点と外れ点を区別するためのバイナリ分類器としての局所平面特徴制約（LPFC）を導入。特徴抽出後に適用される。
• 単一スケールの法線推定ネットワークにLPFCを統合し、法線回帰と平面分類の両タスクをマルチタスク最適化により同時に学習可能にする。
• マルチスケール特徴からスケール重みを学習するスケール推定ネットワークを設計。これにより、各点に対して最適な局所スケールをデータ駆動で選択可能となる。
• 異なる受容野を持つマルチスケール入力（例：0.03、0.05、0.07）を用いて特徴を抽出し、スケール選択ネットワークがそれらを適応的に統合する。
• 法線回帰損失と平面分類損失を組み合わせた共同損失関数を適用し、特徴の識別性を向上させる。
• 区別可能な平面認識特徴を活用して、より正確な法線予測に寄与するグローバル特徴表現を向上させる。

実験結果

リサーチクエスチョン

• RQ1 高ノイズや大規模なサンプリングスケール下でも、局所平面特徴を効果的に制約することで、法線推定のロバスト性を向上させることは可能か？
• RQ2 ノイズレベルや幾何的構造の変動に応じて、スケール選択が法線推定精度に与える影響は何か？
• RQ3 データ駆動型スケール選択機構は、固定スケールやヒューリスティックなスケール選択を上回る性能を発揮できるか？
• RQ4 ノイズレベルや局所的な境界構造は、法線推定における最適なスケール選択にどのような影響を与えるか？
• RQ5 平面認識特徴の統合は、特徴学習と最終的な法線予測の両方をどの程度向上させるか？

主な発見

• LPFC機構は、特に高ノイズ下で非平面点を効果的にフィルタリングすることで、大規模パッチにおける法線推定精度を顕著に向上させる。
• マルチスケール選択戦略は、全ノイズレベルで性能を向上させ、小・中・大スケールを組み合わせた場合に最も優れた結果を達成する。
• スケール選択ネットワークは、低ノイズ領域では小スケールを優先し、境界付近では小〜中スケールを選択する傾向を示すが、高ノイズまたはスパースな領域では大スケールを好む。
• PCPNetベンチマークにおいて、本手法は最先端の結果を達成しており、特に高ノイズ下で顕著な改善が見られる（例：0.07スケール選択が単一スケールベースラインを上回る精度）。
• 可視化結果から、鋭いエッジや境界部の点が明確に分離されており、平面内点と外れ点の分類が明確に実現されている。
• 選択されたスケールのヒストグラムは、低ノイズモデルでは小スケールの選択が優勢であることを示しており、ネットワークが適応的に適切な受容場を選択できていることを裏付けている。