MSECNet: Genau und robuste Normalestimation für 3D-Punktwolken durch Multi-Scale-Kantenbedingung

Die Schätzung von Flächennormalen aus 3D-Punktwolken ist für zahlreiche Anwendungen entscheidend, darunter die Oberflächenrekonstruktion und -darstellung. Während bestehende Methoden zur Normalenschätzung in Gebieten, in denen die Normalen langsam variieren, gut abschneiden, neigen sie dazu, in Bereichen mit schneller Normalenvariation zu versagen. Um dieses Problem zu lösen, stellen wir einen neuartigen Ansatz namens MSECNet vor, der die Schätzung in Gebieten mit stark variierenden Normalen verbessert, indem die Modellierung der Normalenvariation als Kantenerkennungsaufgabe betrachtet wird. MSECNet besteht aus einem Backbone-Netzwerk und einem Multi-Scale Edge Conditioning (MSEC)-Stream. Der MSEC-Stream erreicht eine robuste Kantenerkennung durch Multiskalen-Feature-Fusion und adaptive Kantenerkennung. Die erkannten Kanten werden anschließend mittels des Edge-Conditioning-Moduls mit dem Ausgabesignal des Backbone-Netzwerks kombiniert, um kantenbewusste Darstellungen zu erzeugen. Umfangreiche Experimente zeigen, dass MSECNet sowohl auf synthetischen (PCPNet) als auch auf realen Datensätzen (SceneNN) die bestehenden Methoden übertrifft und dabei deutlich schneller arbeitet. Wir führen zudem verschiedene Analysen durch, um den Beitrag jedes einzelnen Bausteins im MSEC-Stream zu untersuchen. Schließlich demonstrieren wir die Wirksamkeit unseres Ansatzes in der Oberflächenrekonstruktion.