摘要
我们提出了一种针对非结构化3D点云的表面拟合方法。该方法称为DeepFit，通过神经网络学习每个点的权重，用于加权最小二乘多项式表面拟合。所学的权重作为表面点邻域的软选择，从而避免了以往方法所需的尺度选择。为了训练网络，我们提出了一种新的表面一致性损失函数，该损失函数可以提高点权重估计的准确性。该方法能够提取法向量和其他几何属性，如主曲率，而这些属性在训练过程中并未作为真值提供。我们在一个基准法向量和曲率估计数据集上取得了最先进的结果，展示了对噪声、离群点和密度变化的鲁棒性，并展示了其在噪声去除中的应用。