AdaFit : Réflexion sur l'estimation des normales basée sur l'apprentissage dans les nuages de points

Ce document présente un réseau neuronal pour une estimation robuste des normales sur les nuages de points, nommé AdaFit, capable de traiter des nuages de points bruités et à densité variable. Les travaux existants utilisent un réseau pour apprendre des poids ponctuels pour l'ajustement de surface par moindres carrés pondérés afin d'estimer les normales, ce qui pose des difficultés pour trouver des normales précises dans des régions complexes ou contenant des points bruités. En analysant l'étape d'ajustement de surface par moindres carrés pondérés, nous avons constaté qu'il est difficile de déterminer l'ordre polynomial de la surface d'ajustement et que cette surface est sensible aux valeurs aberrantes. Pour résoudre ces problèmes, nous proposons une solution simple mais efficace qui ajoute une prédiction d'un décalage supplémentaire afin d'améliorer la qualité de l'estimation des normales. De plus, afin de tirer parti des points provenant de différents tailles de voisinage, une nouvelle couche d'agrégation multi-échelle en cascade (Cascaded Scale Aggregation) est proposée pour aider le réseau à prédire des décalages et des poids ponctuels plus précis. Des expériences approfondies montrent que AdaFit atteint des performances de pointe tant sur le jeu de données synthétique PCPNet que sur le jeu de données réel SceneNN.