摘要

无结构点云的法线估计是3D计算机视觉中的一个重要任务。当前的方法通过将局部补丁映射到法线向量或利用神经网络学习局部表面拟合，取得了令人鼓舞的结果。然而，这些方法在未见过的场景中泛化能力较差，并且对参数设置较为敏感。为了解决这些问题，我们提出了一种隐式函数，用于在球坐标系中学习每个点周围的角场，该方法被称为神经角场（Neural Angle Fields, NeAF）。与直接预测输入点的法线不同，我们预测的是真实法线与随机采样的查询法线之间的角度偏移。这种策略促使网络观察更多样化的样本，从而以更加稳健的方式提高预测精度。为了在推理阶段从学到的角场中预测法线，我们在单位球空间中随机采样查询向量，并选择角度值最小的向量作为预测的法线。为进一步利用NeAF所学的先验知识，我们建议通过最小化角度偏移来优化预测的法线向量。实验结果表明，在广泛使用的基准测试中，无论是合成数据还是实际扫描数据，我们的方法相比现有最先进技术都取得了显著改进。