[论文解读] Deep Feature-preserving Normal Estimation for Point Cloud Filtering

Dening Lu, Xuequan Lu+2 more|arXiv (Cornell University)|Apr 24, 2020

3D Shape Modeling and Analysis参考文献 41被引用 9

一句话总结

本文提出了一种基于深度学习的噪声点云中特征保持法向估计方法，采用两阶段训练流程，先将点分类为特征点与非特征点，再分别训练法向估计网络。该方法通过迭代估计法向并更新点位置，实现了在法向估计精度和点云滤波质量方面的最先进性能，基准数据集上的MSAE低至0.59，RMSE为0.77。

ABSTRACT

Point cloud filtering, the main bottleneck of which is removing noise (outliers) while preserving geometric features, is a fundamental problem in 3D field. The two-step schemes involving normal estimation and position update have been shown to produce promising results. Nevertheless, the current normal estimation methods including optimization ones and deep learning ones, often either have limited automation or cannot preserve sharp features. In this paper, we propose a novel feature-preserving normal estimation method for point cloud filtering with preserving geometric features. It is a learning method and thus achieves automatic prediction for normals. For training phase, we first generate patch based samples which are then fed to a classification network to classify feature and non-feature points. We finally train the samples of feature and non-feature points separately, to achieve decent results. Regarding testing, given a noisy point cloud, its normals can be automatically estimated. For further point cloud filtering, we iterate the above normal estimation and a current position update algorithm for a few times. Various experiments demonstrate that our method outperforms state-of-the-art normal estimation methods and point cloud filtering techniques, in terms of both quality and quantity.

研究动机与目标

• 解决在点云滤波中去除噪声的同时保持锐利几何特征的挑战。
• 克服现有基于优化和深度学习的法向估计方法的局限性，这些方法通常无法保持特征或需要手动调节参数。
• 开发一种端到端、自动化且具备特征感知能力的深度学习法向估计框架。
• 实现在不同点云密度和噪声水平下的鲁棒性能。
• 通过将特征保持的法向估计与迭代位置更新相结合，提升点云滤波质量。

提出的方法

• 从噪声点云中生成基于点云块的训练样本，并使用分类网络区分特征点（各向异性）与非特征点（各向同性）。
• 针对特征点与非特征点分别训练法向估计网络，以在估计过程中保持几何细节。
• 在推理阶段，模型自动使用训练好的网络预测输入噪声点云的法向。
• 基于估计的法向，通过位置更新算法迭代更新点位置，经多轮迭代提升滤波质量。
• 框架采用自适应半径和高斯加权插值生成高程图，提升对密度变化的鲁棒性。
• 该方法结合PointNet风格的点云处理与高程图上的2D CNN，综合利用两种表示以增强特征学习。

实验结果

研究问题

• RQ1 基于深度学习的法向估计方法是否能比现有基于优化或学习的方法更有效地在噪声点云中保持锐利几何特征？
• RQ2 将特征点与非特征点的法向估计网络分开训练，在滤波中如何提升几何保真度？
• RQ3 所提出方法在不同点云密度和噪声水平下具有多大程度的泛化能力？
• RQ4 与单步方法相比，迭代法向估计与位置更新是否能带来更优的滤波结果？
• RQ5 对特征点与非特征点的分类如何影响法向估计的精度与鲁棒性？

主要发现

• 所提方法在基准数据集上实现了0.59的均方角误差（MSAE），显著优于最先进方法如PointCleanNet（MSAE: 1.14）和GPF（MSAE: 1.73）。
• 在滤波任务中，该方法实现了0.77的RMSE，相比PointCleanNet（RMSE: 1.84）和RIMLS（RMSE: 1.44）展现出更优的几何保真度。
• 特征点的分类准确率较高，且与法向估计质量直接相关，证实了点分类的重要性。
• 该方法对密度变化表现出强鲁棒性，在所有测试密度（10K、50K、100K个点）下均持续优于PointCleanNet。
• 在异常值处理方面，该方法在3%和6%异常值水平下表现良好，但在9%异常值水平下性能下降，表明在严重噪声下存在局限性。
• 视觉对比结果表明，与现有技术相比，该方法能更好地保持锐利边缘与角点，尤其在具有高几何复杂度的CAD类模型中表现更优。