[论文解读] AdaFit: Rethinking Learning-based Normal Estimation on Point Clouds

Runsong Zhu, Yuan Liu+5 more|arXiv (Cornell University)|Aug 12, 2021

3D Shape Modeling and Analysis被引用 8

一句话总结

AdaFit 提出了一种新颖的深度学习框架，通过引入可学习的逐点偏移量来改进加权最小二乘表面拟合，从而在噪声大且分布不均匀的点云上实现鲁棒的法线估计。通过联合预测权重和偏移量，并使用级联式尺度聚合（CSA）层进行多尺度特征融合，AdaFit 在合成数据集（PCPNet）和真实世界数据集（SceneNN）上均取得了最先进性能，显著提升了复杂和噪声区域的准确性。

ABSTRACT

This paper presents a neural network for robust normal estimation on point clouds, named AdaFit, that can deal with point clouds with noise and density variations. Existing works use a network to learn point-wise weights for weighted least squares surface fitting to estimate the normals, which has difficulty in finding accurate normals in complex regions or containing noisy points. By analyzing the step of weighted least squares surface fitting, we find that it is hard to determine the polynomial order of the fitting surface and the fitting surface is sensitive to outliers. To address these problems, we propose a simple yet effective solution that adds an additional offset prediction to improve the quality of normal estimation. Furthermore, in order to take advantage of points from different neighborhood sizes, a novel Cascaded Scale Aggregation layer is proposed to help the network predict more accurate point-wise offsets and weights. Extensive experiments demonstrate that AdaFit achieves state-of-the-art performance on both the synthetic PCPNet dataset and the real-word SceneNN dataset.

研究动机与目标

• 解决现有基于学习的法线估计方法仅依赖加权最小二乘拟合所带来的局限性，这些方法在多项式阶数不一致和对异常值敏感方面表现不佳。
• 通过引入额外的偏移量预测机制，缓解加权最小二乘法对异常值的固有敏感性，从而重新定位邻近点。
• 通过设计一种级联式尺度聚合（CSA）层，减少对人工选择邻域大小（尺度）的依赖，该层可融合多尺度特征。
• 提升在具有噪声、密度变化和结构缺失的真实世界点云上的泛化能力和鲁棒性。
• 在表面重建和点云去噪等下游任务中验证 AdaFit 的有效性。

提出的方法

• 提出一种可学习的偏移量预测头，在表面拟合前调整邻近点的位置，即使多项式阶数不匹配，也能实现与真实底层表面更好的对齐。
• 引入一种新颖的级联式尺度聚合（CSA）层，从多个邻域尺度提取特征并进行融合，以增强鲁棒性和准确性。
• 采用双分支网络架构：一个分支预测用于加权最小二乘拟合的逐点权重，另一个分支预测逐点偏移量以重新定位邻居点。
• 将最终的表面拟合表述为一种改进的加权最小二乘问题，其中点在计算法线前先由预测的偏移量进行移动。
• 使用标准 L2 损失对预测法线与真实值进行端到端训练。
• 应用可微分的表面拟合层，利用调整后点的位置和学习到的权重，从拟合的多项式表面计算法线。

实验结果

研究问题

• RQ1 为何当前基于学习的法线估计方法在复杂或噪声区域仍会失效，尽管使用了学习到的权重？
• RQ2 真实表面的多项式阶数与现有方法中固定的拟合阶数不匹配时，如何影响法线估计的准确性？
• RQ3 为何加权最小二乘拟合对异常值敏感？这种敏感性能否通过邻近点的可学习变换来缓解？
• RQ4 多尺度特征聚合能否减少对手动选择邻域大小的依赖，并提升鲁棒性？
• RQ5 增加偏移量预测是否能提升在具有固有噪声和密度变化的真实世界数据集上的泛化能力？

主要发现

• 在 PCPNet 数据集上，AdaFit 实现了最先进性能，在高噪声条件下使用偏移量预测时，平均法线 RMSE 降低至 11.22。
• 带有偏移量预测的模型在不同多项式阶数（如平面 vs. 3-喷射）下均保持一致性能，而基线模型对阶数选择高度敏感。
• 级联式尺度聚合（CSA）层减少了对手动调参尺度的依赖，因为采用 CSA 的模型在所有噪声水平下性能均更优，且对邻域大小不敏感。
• 与通过阈值化小权重来去除异常值的方法相比，AdaFit 的偏移量预测方法显著更优，平均 RMSE 提升 1.5–2.5 倍。
• 在表面重建任务中，AdaFit 生成了最准确且完整的表面，平均表面距离 RMSE 为 0.00529，优于 DeepFit（0.00994）和 Lenssen 等人（0.01401）。
• AdaFit 实现了高质量的点云去噪，既能保留锐利边缘，又能平滑平坦区域，如定性对比所示。