[论文解读] PIE-NET: Parametric Inference of Point Cloud Edges

Xiaogang Wang, Yuelang Xu+5 more|arXiv (Cornell University)|Jul 9, 2020

3D Shape Modeling and Analysis参考文献 47被引用 43

一句话总结

PIE-Net 提供一个端到端可学习的管道，用于在三维点云中检测边缘点和拐角点，并推断出表示边缘的参数曲线集合（直线、圆和B样条），在性能上优于传统方法和先前的学习方法。

ABSTRACT

We introduce an end-to-end learnable technique to robustly identify feature edges in 3D point cloud data. We represent these edges as a collection of parametric curves (i.e.,lines, circles, and B-splines). Accordingly, our deep neural network, coined PIE-NET, is trained for parametric inference of edges. The network relies on a "region proposal" architecture, where a first module proposes an over-complete collection of edge and corner points, and a second module ranks each proposal to decide whether it should be considered. We train and evaluate our method on the ABC dataset, a large dataset of CAD models, and compare our results to those produced by traditional (non-learning) processing pipelines, as well as a recent deep learning based edge detector (EC-NET). Our results significantly improve over the state-of-the-art from both a quantitative and qualitative standpoint.

研究动机与目标

• 在噪声和稀疏采样条件下，为三维点云建立一个数据驱动、鲁棒的边缘检测方法的动机。
• 提出 PIE-Net 输出参数化的边缘曲线（直线、圆和B样条），而不是逐点边缘标签。
• 开发区域提议框架：先检测边缘/拐角点，然后生成并选择曲线提议。
• 在 ABC CAD 模型数据集上进行训练与评估，以展示准确性和泛化能力。
• 展示端到端学习在定量和定性指标上相对于传统流水线和 EC-Net 的改进。

提出的方法

• 两阶段管道：(i) 点分类以识别边缘点和拐角点，并带有偏移量将其投影到边/拐角；(ii) 曲线提议与选择，生成开曲线和闭曲线的参数化表示。
• 圆和B样条的参数化是可微的；圆使用三个不共线的点推导出(n, c, r)并在圆上采样点；B样条使用四个控制点、均匀采样，并对中间点的残差进行回归。
• 开曲线提议：从 N 个拐角点中生成所有点对，在对点对中点周围的球内搜索，抽取一部分边缘点进行采样，并通过多头的 PointNet 风格网络联合预测曲线类型和参数。
• 闭曲线提议：按特征相似性对边缘点进行聚类，对每个簇拟合圆，并带置信度预测圆参数；对参数回归使用 Chamfer 距离。
• 训练损失：L_detection 将焦点损失用于边缘/拐角分类，平滑L1用于偏移；L_proposal 将掩码、类型分类和参数回归损失结合，含 Chamfer 基项；L_closed 用于相似性、分数和参数回归；非极大值抑制和基于 IoU 的聚类用于选择最终曲线。
• 计算方面：每个点云的分类约0.5s、曲线生成约3s的近似运行时间；在 Titan X GPU 上对多组件的训练时间。

实验结果

研究问题

• RQ1 Can a region-proposal based learning framework accurately detect and represent 3D edge features as parametric curves from point clouds?
• RQ2 How do edge and corner detection, curve-type classification, and parameter regression components interact to produce robust edge reconstructions under noise and varying sampling densities?
• RQ3 Do parametric edge representations (lines, circles, B-splines) generalize well to novel CAD shapes and non-CAD object categories?
• RQ4 How does PIE-Net perform relative to classical (VCM, EAR) and learning-based (EC-Net) baselines in both edge detection accuracy and geometric fidelity of inferred curves?
• RQ5 What is the impact of sampling, thresholds, and sphere-based heuristics on the quality and efficiency of open/closed curve proposals?

主要发现

• PIE-Net 在 ABC 数据集上在边缘 Chamfer 距离和 IoU 指标上显著优于传统边缘检测器和 EC-Net。
• 该方法对超出训练 CAD 模型的全新对象类别也具有良好泛化，如对桌子、椅子、花瓶等的定性结果所示。
• 将边缘/拐角检测与开/闭曲线提议结合的全端到端管道在几何保真度、对噪声和采样密度变化的鲁棒性方面表现更优。
• 消融研究展示了球半径、拐角/边缘阈值的稳定性，以及在最终曲线精度中包含残差偏移 D_e、D_c 的影响。
• 与 VCM、EAR 和 EC-Net 相比，PIE-Net 在不同评估设置下实现了更低的 ECD 和更高的 IoU、准确率和召回率。
• 该方法保持高效的运行时间（分类约0.5s，曲线生成约3s/每个点云），同时比基线具有更高的准确性。