[论文解读] 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 5

一句话总结

该论文提出了一种新颖的3D点云法向估计方法，结合局部平面特征约束（LPFC）与多尺度选择机制。LPFC通过二分类器增强平面感知特征，以区分平面内点与离群点，从而提升对噪声和大采样尺度的鲁棒性。一个尺度选择网络可为每个点学习最优局部尺度，实现在不同噪声水平和复杂几何结构下的最先进性能。

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.

研究动机与目标

• 解决在法向估计中，点云存在噪声、稀疏性及非均匀采样带来的挑战。
• 克服现有深度学习方法在大尺度局部区域中难以区分平面内点与离群点的局限性。
• 通过二分类约束强制实现局部平面感知特征学习，提升法向估计的鲁棒性。
• 设计一种数据驱动的尺度选择策略，自动为每个点选择最优局部尺度，以提升估计精度。
• 在不同噪声水平和几何复杂度（包括锐边与边界）下，实现卓越的性能表现。

提出的方法

• 提出局部平面特征约束（LPFC），即在特征提取后应用二分类器，以区分局部拟合平面上的点与离群点。
• 将LPFC集成至单尺度法向估计网络中，通过多任务优化联合训练法向回归与平面分类任务。
• 设计尺度估计网络，从多尺度特征中学习尺度权重，实现对每个点最优局部尺度的数据驱动选择。
• 采用多尺度输入（如0.03、0.05、0.07）以在不同感受野下提取特征，尺度选择网络自适应融合多尺度特征。
• 应用联合损失函数，结合法向回归损失与平面分类损失，以增强特征的可区分性。
• 利用可区分的平面感知特征，提升全局特征表示能力，从而实现更精确的法向预测。

实验结果

研究问题

• RQ1 如何有效约束局部平面特征，以提升在高噪声和大采样尺度下的法向估计鲁棒性？
• RQ2 尺度选择对不同噪声水平和几何结构下的法向估计精度有何影响？
• RQ3 数据驱动的尺度选择机制是否能超越固定尺度或启发式尺度选择方法在3D法向估计中的表现？
• RQ4 噪声水平与局部边界结构如何影响法向估计的最优尺度选择？
• RQ5 平面感知特征的融合在多大程度上提升了特征学习能力与最终法向预测精度？

主要发现

• LPFC机制在大尺度局部区域中显著提升了法向估计精度，尤其在高噪声条件下，能有效过滤非平面点。
• 多尺度选择策略在所有噪声水平下均提升了性能，当结合小、中、大三种尺度时达到最佳效果。
• 尺度选择网络在低噪声区域优先选择小尺度，在边界附近倾向于选择小至中等尺度，而在高噪声或稀疏区域则偏好较大尺度。
• 在PCPNet基准测试中，该方法达到最先进水平，尤其在高噪声场景中表现突出（例如，0.07尺度选择的精度优于单尺度基线方法）。
• 视觉结果表明，该方法能清晰区分锐边与边界上的点，实现对平面内点与离群点的明确分类。
• 所选尺度的直方图显示，在低噪声模型中更偏好小尺度，验证了网络自适应选择合适感受野的能力。