AdaFit：重新思考基于学习的点云法向估计

本文提出了一种名为AdaFit的神经网络，用于在点云中进行鲁棒的法向量估计，该网络能够处理带有噪声和密度变化的点云。现有的方法通常使用神经网络学习每个点的权重，通过加权最小二乘曲面拟合来估计法向量，但在复杂区域或包含噪声点的情况下难以获得准确的法向量。通过对加权最小二乘曲面拟合步骤的分析，我们发现确定拟合曲面的多项式阶数较为困难，且拟合曲面对离群点非常敏感。为了解决这些问题，我们提出了一种简单而有效的方法，在原有基础上增加了一个额外的偏移预测，以提高法向量估计的质量。此外，为了充分利用不同邻域大小的点信息，我们设计了一种新颖的级联尺度聚合层（Cascaded Scale Aggregation layer），帮助网络预测更准确的点偏移和权重。大量实验表明，AdaFit在合成PCPNet数据集和真实世界的SceneNN数据集上均达到了最先进的性能。