HSurf-Net : Estimation des normales pour les nuages de points 3D par apprentissage de surfaces hyperboliques

Nous proposons une nouvelle méthode d'estimation des normales appelée HSurf-Net, capable de prédire avec précision les normales à partir de nuages de points présentant des bruits et des variations de densité. Les méthodes précédentes se concentrent sur l'apprentissage des poids des points pour ajuster les voisinages à une surface géométrique approximée par une fonction polynomiale d'ordre préétabli, sur laquelle les normales sont estimées. Cependant, l'ajustement explicite des surfaces à partir de nuages de points bruts souffre de problèmes de surapprentissage ou d'underfitting dus à des ordres polynomiaux inappropriés et à la présence d'outliers, ce qui limite considérablement les performances des méthodes existantes. Pour résoudre ces problèmes, nous introduisons le concept d'ajustement de surfaces hyperboliques afin d'apprendre implicitement ces surfaces, représentées par des couches de perceptrons multicouches (MLP) qui prennent en entrée les caractéristiques des points et produisent des motifs de surface dans un espace de caractéristiques multidimensionnel. Nous présentons également un nouveau module de transformation spatiale composé d'une séquence de couches d'agrégation locale et de couches de décalage global pour apprendre un espace de caractéristiques optimal, ainsi qu'un module d'encodage de position relative pour convertir efficacement les nuages de points dans l'espace de caractéristiques appris. Notre modèle apprend les surfaces hyperboliques à partir des caractéristiques exemptes de bruit et prédit directement les vecteurs normaux. Nous optimisons conjointement les poids du MLP et les paramètres du module par approche data-driven afin que le modèle puisse trouver adaptativement le motif de surface le plus approprié pour différents points. Les résultats expérimentaux montrent que notre HSurf-Net atteint des performances au niveau state-of-the-art sur l'ensemble de données synthétiques formé d'objets 3D, ainsi que sur les ensembles de données réels issus de scènes intérieures et extérieures. Le code source, les données et les modèles pré-entraînés sont disponibles publiquement.Note: "state-of-the-art" is commonly used in French academic and technical writing without translation to maintain its specific meaning in the context of cutting-edge technology or research.