.png){kind=icon}
返回
PFF-Net: Patch Feature Fitting for Point Cloud Normal Estimation
.png){kind=icon}
PRE
AI
DOI：10.1109/TVCG.2025.3638450.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
估计一个点的法向量需要构建一个局部邻域块来提供中心-周围上下文，但在处理不同数据或几何形状时，确定合适的邻域大小是困难的。现有方法通常采用各种参数密集型策略从输入邻域块中提取完整的特征描述。然而，它们在为各种点云准确高效地预测法向量方面仍存在困难。在这项工作中，我们提出了一种用于鲁棒点云法向量估计的新型特征提取思路。我们利用不同邻域大小下的多尺度特征融合，来解决为不同数据或几何形状选择合理邻域大小的问题。我们旨在基于多尺度特征建模一种邻域特征拟合（PFF），以逼近法向量估计的最优几何描述，并通过多尺度特征聚合和跨尺度特征补偿来实现这一逼近过程。特征聚合模块逐步将不同尺度的邻域特征聚合到邻域中心，并通过移除远离中心的点来缩小邻域大小。它不仅使网络能够精确捕捉大范围的结构特征，还能描述高度精细的几何形状。特征补偿模块确保了大尺度早期层特征的复用性，并揭示了不同邻域大小下的关联信息。我们基于多尺度特征聚合的近似策略，使模型能够实现不同局部邻域块的尺度自适应，并提供最优的特征描述。大量实验表明，我们的方法在合成数据集和真实数据集上均达到当前最佳性能，同时使用更少的网络参数和运行时间。
Keyword:
Point clouds
normal estimation
3D deep learning
feature extraction
surface fitting
期刊
IF:
6.5
论文数:
353
被引数:
2.2W
机构
引用论文
.png){kind=icon}
查看更多内容