[论文解读] GraphFit: Learning Multi-scale Graph-Convolutional Representation for Point Cloud Normal Estimation

Keqiang Li, Mingyang Zhao+5 more|arXiv (Cornell University)|Jul 23, 2022

3D Shape Modeling and Analysis被引用 4

一句话总结

GraphFit 通过使用可学习的图结构对局部邻域几何进行建模，提出了一种新颖的图卷积神经网络，用于鲁棒且精确的三维点云法向估计。它整合了多尺度特征和基于注意力的自适应模块，增强了对噪声、异常值和点密度变化的鲁棒性，在包括 PCPNet 和 NYU Depth V2 在内的基准数据集上实现了最先进性能。

ABSTRACT

We propose a precise and efficient normal estimation method that can deal with noise and nonuniform density for unstructured 3D point clouds. Unlike existing approaches that directly take patches and ignore the local neighborhood relationships, which make them susceptible to challenging regions such as sharp edges, we propose to learn graph convolutional feature representation for normal estimation, which emphasizes more local neighborhood geometry and effectively encodes intrinsic relationships. Additionally, we design a novel adaptive module based on the attention mechanism to integrate point features with their neighboring features, hence further enhancing the robustness of the proposed normal estimator against point density variations. To make it more distinguishable, we introduce a multi-scale architecture in the graph block to learn richer geometric features. Our method outperforms competitors with the state-of-the-art accuracy on various benchmark datasets, and is quite robust against noise, outliers, as well as the density variations.

研究动机与目标

• 解决现有法向估计方法忽略点云局部邻域关系的局限性。
• 提升对三维点云中噪声、异常值和非均匀点密度的鲁棒性。
• 通过图卷积显式建模邻近点之间的几何关系，增强特征表示。
• 在合成与真实世界点云数据集上均实现最先进水平的准确性和稳定性。

提出的方法

• 该方法使用 k-最近邻方法为每个点构建局部图，以编码邻域内的几何关系。
• 采用图卷积模块，通过融合不同感受野的表征，学习多尺度特征。
• 基于注意力的自适应模块动态融合点特征与其邻近特征，提升对密度变化的鲁棒性。
• 模型使用多尺度表征模块，在特征空间中聚合来自两个不同尺度的局部特征，增强几何表达能力。
• 网络端到端训练，通过最小化预测法向与真实法向之间夹角差的损失函数回归点法向。
• 架构设计高效且具备泛化能力，消融实验验证了各组件的贡献。

实验结果

研究问题

• RQ1 与忽略此类关系的基于补丁的方法相比，建模三维点云中局部邻域关系是否能显著提升法向估计的准确性？
• RQ2 基于注意力的自适应模块在法向估计中如何提升对非均匀点密度的鲁棒性？
• RQ3 多尺度图卷积架构在噪声或稀疏点云上在多大程度上改善了特征表示与泛化能力？
• RQ4 在多样化的基准测试中，该方法与最先进方法相比在准确性和鲁棒性方面表现如何？
• RQ5 该方法在真实扫描数据（如 NYU Depth V2）上是否保持高性能，其中噪声和密度变化普遍存在？

主要发现

• 在 PCPNet 数据集上，GraphFit 在不同噪声水平和点密度下实现了最先进水平的平均 RMSE 10.34，优于 AdaFit 和 DeepFit 等竞争方法。
• 该方法对邻域大小变化具有高度鲁棒性，在 k=256、500 和 700 时平均 RMSE 稳定在约 10.50。
• 消融实验表明，与单尺度基线相比，多尺度模块可将 RMSE 最多降低 0.24 个点，证明其在特征增强方面的有效性。
• 基于注意力的自适应模块在具有挑战性的条纹状和梯度点云上可将误差降低最多 0.35 个点，证明其在处理密度变化方面的价值。
• 该模型在真实世界 NYU Depth V2 数据上保持了强劲性能，表明其在合成基准之外的实际应用潜力。
• 将 Jet 阶数从 1 提升至 4，PCPNet 上的 RMSE 从 10.92 降低至 10.44，表明更高阶曲面拟合增强了几何建模能力。