摘要
本文提出了一种端到端可微分算法，用于在无结构点云上进行鲁棒且细节保留的表面法线估计。我们利用图神经网络迭代地参数化一个自适应各向异性核，该核为局部邻域内的加权最小二乘平面拟合生成点权重。该方法保留了传统顺序平面拟合的可解释性和高效性，同时通过深度学习适应数据集统计特性而获益。这导致了一个最先进的表面法线估计器，它对噪声、离群值和点密度变化具有鲁棒性，通过各向异性核保留了锐利特征，并通过基于局部四元数的空间变换器实现了等变性。与以往的深度学习方法不同，所提出的算法不需要任何手工设计的特征或预处理步骤。它在提高性能的同时，速度超过现有最佳结果两个数量级以上，并且参数效率更高。