摘要

我们提出了一种新颖的法向估计方法，称为HSurf-Net，该方法能够从具有噪声和密度变化的点云中准确预测法向量。以往的方法主要集中在学习点权重，以将邻域拟合到由预定义阶数的多项式函数近似的几何表面，从而估计法向量。然而，从原始点云显式拟合表面时，由于不适当的多项式阶数和离群点导致的过拟合或欠拟合问题严重影响了现有方法的性能。为了解决这些问题，我们引入了超曲面拟合技术，通过多层感知机（MLP）层隐式学习超曲面。这些超曲面以点特征作为输入，在高维特征空间中输出表面模式。我们引入了一个新的空间变换模块，该模块由一系列局部聚合层和全局平移层组成，用于学习最优特征空间，并引入了一个相对位置编码模块，有效将点云转换到所学的特征空间中。我们的模型从无噪声特征中学习超曲面，并直接预测法向量。我们以数据驱动的方式联合优化MLP权重和模块参数，使模型能够自适应地找到适合各种点的最佳表面模式。实验结果表明，我们的HSurf-Net在合成形状数据集、真实世界室内和室外场景数据集上均达到了最先进的性能。代码、数据和预训练模型已公开发布。