Nesti-Net: Normalschätzung für unstrukturierte 3D-Punktwolken mittels konvolutionaler Neuronalnetze

In dieser Arbeit schlagen wir eine Normalschätzungsmethode für unstrukturierte 3D-Punktwolken vor. Diese Methode, genannt Nesti-Net, basiert auf einer neuen lokalen Punktwolkenrepräsentation, die aus mehrskaligen Punktestatistiken (MuPS) besteht, die auf einem lokalen groben Gaußschen Raster geschätzt werden. Diese Repräsentation ist ein geeigneter Eingabewert für eine CNN-Architektur. Die Normalen werden unter Verwendung einer Mischung-von-Experten (MoE)-Architektur geschätzt, die auf einem datengetriebenen Ansatz zur Auswahl der optimalen Skala um jeden Punkt basiert und die Spezialisierung von Unter-Netzen fördert. Interessante Einblicke in die Ressourcenverteilung des Netzes werden gegeben. Die Skalenvorhersage verbessert die Robustheit gegenüber verschiedenen Rauschpegeln, Schwankungen der Punktdichte und unterschiedlichen Detailgraden erheblich. Wir erzielen Stand-des-Wissens-Ergebnisse an einem Benchmark-Synthetischen Datensatz und präsentieren qualitative Ergebnisse an real gescannten Szenen.