[论文解读] Differentiable Iterative Surface Normal Estimation.

Jan Eric Lenssen, Christian Osendorfer+1 more|arXiv (Cornell University)|Apr 15, 2019

3D Shape Modeling and Analysis参考文献 36被引用 3

一句话总结

该论文提出了一种基于图神经网络的可微分、迭代式表面法向估计方法，用于非结构化点云，通过自适应加权局部邻域内的点实现平面拟合。通过集成可学习的各向异性核与局部空间变换器，该方法在无需手工设计特征的前提下，实现了最先进水平的精度、对噪声和密度变化的鲁棒性，以及对锐利特征的保持，同时相比以往的深度学习方法更加高效且参数更少。

ABSTRACT

This paper presents an end-to-end differentiable algorithm for anisotropic surface normal estimation on unstructured point-clouds. We utilize graph neural networks to iteratively infer point weights for a plane fitting algorithm applied to local neighborhoods. The approach retains the interpretability and efficiency of traditional sequential plane fitting while benefiting from a data-dependent deep-learning parameterization. This results in a state-of-the-art surface normal estimator that is robust to noise, outliers and point density variation and that preserves sharp features through anisotropic kernels and a local spatial transformer. Contrary to previous deep learning methods, the proposed approach does not require any hand-crafted features while being faster and more parameter efficient.

研究动机与目标

• 开发一种可微分、端到端的表面法向估计方法，保留传统平面拟合的可解释性，同时利用深度学习实现数据驱动的自适应。
• 在不依赖手工设计特征的前提下，提升非结构化点云中噪声、异常值和点密度变化的鲁棒性。
• 通过局部邻域内的各向异性核学习与空间变换，有效保持锐利几何特征。
• 相比现有基于深度学习的法向估计方法，实现更高的效率与更少的参数量。

提出的方法

• 该方法利用图神经网络预测局部邻域内点的自适应权重，实现基于数据的平面拟合优化。
• 通过迭代优化过程，使用加权最小二乘法更新法向估计，并通过整个流程反向传播梯度。
• 每个点学习对应的各向异性核，以强调相关局部几何结构，同时抑制噪声或异常值。
• 局部空间变换器重新参数化邻域，使其与局部表面结构对齐，从而提升拟合精度。
• 整个流程具备可微性，支持端到端训练，无需手工设计特征。
• 该方法通过可微优化，结合经典平面拟合的高效性与深度学习的表征能力。

实验结果

研究问题

• RQ1 与非可微或非迭代基线方法相比，可微分的迭代平面拟合方法是否能提升非结构化点云上的表面法向估计性能？
• RQ2 图神经网络在不依赖手工设计特征的前提下，能在多大程度上改进平面拟合中的局部邻域加权？
• RQ3 在点密度和噪声水平变化的情况下，该方法在保持锐利特征方面表现如何？
• RQ4 各向异性核与空间变换器的集成是否能增强法向估计的鲁棒性与准确性？
• RQ5 与现有基于深度学习的法向估计模型相比，该方法在效率和参数量方面表现如何？

主要发现

• 所提方法在标准基准上实现了表面法向估计的最先进性能，优于先前的深度学习与经典方法。
• 其对噪声和点密度变化表现出卓越的鲁棒性，在挑战性采样条件下仍能保持高精度。
• 由于在局部邻域中引入了各向异性核与空间变换，该方法能有效保持锐利特征。
• 得益于其可微分、迭代的设计，该方法比以往基于深度学习的法向估计器更快速且参数更少。
• 无需手工设计特征简化了流程，提升了泛化能力，且未牺牲性能。