Global frequency-aware multi-scale feature learning for point cloud normal estimation

Wei Jin

doi:10.1016/j.engappai.2025.113227

Global frequency-aware multi-scale feature learning for point cloud normal estimation

2025-11-19

0

PRE

AI

DOI：10.1016/j.engappai.2025.113227

原文链接

原文求助

摘要

En 中文

从点云中估计精确的法线是三维（3D）计算机视觉中的一个核心挑战，这归因于不规则采样和建模全局几何上下文的困难。在本文中，我们提出了一种频域学习框架，通过在整个特征提取过程中保留全局信息来解决这些问题。具体而言，我们在数据层面引入了一个基于傅里叶的多分支补丁细化模块，以通过谱线索增强补丁表示，并引入了一个基于傅里叶的特征细化层来整合局部和全局几何特征。此外，我们采用了多尺度融合策略以确保跨分辨率的层次一致性。与现有的空间域策略相比，我们的方法通过融入频域信息提升了全局上下文感知能力，有效缓解了在早期局部卷积操作中普遍引入的全局特征损失。实验结果表明，与先前的方法相比，我们的方法在性能上实现了持续提升，在Point Cloud Property Network（PCPNet）数据集上提升了1.0%，该数据集是学习从原始点云中获取局部3D形状属性的基准；在Famous Shape数据集（FamousShape）上提升了0.76%，该数据集包含几个知名的3D网格模型，如Utah Teapot和Stanford Bunny；在带注释的场景网格数据集（SceneNN）上提升了0.65%，该数据集是带有丰富注释的室内3D场景集合。

Global frequency-aware multi-scale feature learning for point cloud normal estimation

摘要

期刊

机构

引用论文