摘要
本文提出了一种针对非结构化3D点云的法线估计方法。该方法称为Nesti-Net，基于一种新的局部点云表示形式，该表示形式由在局部粗略高斯网格上估计的多尺度点统计量（Multi-Scale Point Statistics, MuPS）组成。这种表示形式适合作为卷积神经网络（CNN）架构的输入。法线估计采用了一种专家混合（Mixture of Experts, MoE）架构，该架构依赖于数据驱动的方法来选择每个点周围的最优尺度，并促进子网络的专业化。文中提供了关于网络资源分布的一些有趣见解。尺度预测显著提高了对不同噪声水平、点密度变化和不同细节层次的鲁棒性。我们在一个基准合成数据集上取得了最先进的结果，并展示了在真实扫描场景中的定性结果。