[논문 리뷰] Improvement of Normal Estimation for PointClouds via Simplifying Surface Fitting

Jun Zhou, Wei Jin외 4명|arXiv (Cornell University)|2021. 04. 21.

Advanced Numerical Analysis Techniques참고 문헌 28인용 수 4

한 줄 요약

이 논문은 포인트 클라우드 노멀 추정을 위한 신경망과 전통적인 표면 피팅 간의 호환성을 향상시키기 위해 경량적이고 효과적인 전략 두 가지—동적 top-k 선택 및 포인트 업데이트—을 제안한다. 국소 표면 피팅을 집중적인 포인트 선택과 사전 피팅 포인트 스무딩을 통해 단순화함으로써, 날카로운 특징과 노이즈가 많은 데이터에서 특히 높은 정확도를 달성하며, 512점 패치 기준 DeepFit 대비 최대 5.64% 향상된 성능을 기록한다.

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.

연구 동기 및 목표

• 포인트 클라우드 노멀 추정에서 학습된 신경망과 전통적인 표면 피팅 방법 간의 호환성 문제를 해결하기 위해.
• 날카로운 모서리나 복잡한 패턴이 있는 영역에서 피팅 복잡도와 왜곡을 줄이기 위해.
• 노이즈와 다양한 샘플링 밀도 조건에서도 노멀 추정 정확도를 향상시키기 위해.
• 모델 복잡도를 증가시키지 않으면서도 표면 피팅 과정을 단순화하는 경량적이고 효과적인 전략을 개발하기 위해.

제안 방법

• 국소 패치 내에서 핵심 포인트를 우선순위로 정하는 동적 top-k 선택 전략을 도입하여, 정확한 노멀 추정을 위해 가장 관련성이 높은 포인트에 집중된 표면 피팅을 가능하게 한다.
• 피팅 이전에 포인트 위치를 변형하는 포인트 업데이트 전략을 제안하여 더 매끄럽고 평면적인 패치를 생성함으로써 피팅 왜곡을 감소시킨다.
• 신경망을 활용해 포인트 선택 및 위치 조정을 위한 가중치를 예측함으로써, 적응형이고 학습 기반의 피팅 과정 개선을 가능하게 한다.
• 사전 처리 후 저차수의 매개변수 표면(예: 탄젠트 평면)을 사용하여 단순화된 피팅 과정을 적용함으로써 정확도와 강인성을 향상시킨다.
• 두 전략을 통합한 유일한 프레임워크를 구성하여 딥러닝과 전통적 기하 피팅 간의 호환성을 향상시킨다.
• 노멀 예측을 위한 회귀 손실을 통해 엔드 투 엔드로 네트워크를 훈련시키며, 피팅의 단순성과 정확도를 동시에 최적화한다.

실험 결과

연구 질문

• RQ1 표면 피팅 과정을 단순화하면 날카로운 모서리와 같은 도전적인 영역에서 노멀 추정 정확도가 향상되는가?
• RQ2 신경망을 어떻게 더 잘 전통적인 표면 피팅과 통합하여 피팅 왜곡을 줄이고 강인성을 향상시킬 수 있는가?
• RQ3 국소 패치 내에서 핵심 포인트를 동적으로 선택하는 전략이 균일하거나 고정된 선택 방식보다 더 정확한 노멀 추정을 이끌어내는가?
• RQ4 피팅 이전에 포인트 위치를 조정함으로써 표면 피팅의 복잡도와 오차를 상당히 감소시킬 수 있는가?
• RQ5 이러한 경량 전략은 매끄럽고 날카로운 특징 모두에서 최신 기술 수준의 방법 대비 성능 향상 정도가 어느 정도인가?

주요 결과

• 제안된 방법은 최신 기술 수준의 성능을 달성하였으며, 512점 샘플링 패치에서 DeepFit 대비 5.64%의 정확도 향상을 기록하였다.
• 포인트 업데이트 전략은 512점 패치에서 노멀 추정 정확도를 4.38% 향상시켰으며, 날카로운 가장자리 근처에서 피팅 왜곡을 크게 감소시켰다.
• top-k 선택 전략은 256점 패치에서 4.66%, 512점 패치에서 5.64%의 성능 향상을 이끌었으며, 특히 복잡한 특징에서 정확도 향상이 두드러졌다.
• 메서드는 DeepFit 대비 PGP10(오차 <10°인 포인트 비율)에서 향상되었으며, 날카로운 영역과 노이즈가 많은 영역에서 가장 높은 성과를 기록했다.
• 256점 패치에서는 k=50, 512점 패치에서는 k=100을 사용할 경우 최적의 결과를 얻었으며, 이는 다양한 샘플링 밀도에서의 강인성을 입증한다.
• 단순화된 피팅 과정—종종 1차 표면만으로도 충분함—이 정확도를 크게 향상시켰으며, 이는 더 단순한 피팅이 더 효과적이라는 원칙을 검증한다.