NeAF : Apprentissage des champs neuronaux d'angles pour l'estimation des normales de points

L'estimation des normales pour des nuages de points non structurés est une tâche importante en vision par ordinateur 3D. Les méthodes actuelles obtiennent des résultats encourageants en cartographiant des patchs locaux vers des vecteurs normaux ou en apprenant un ajustement de surface local à l'aide de réseaux neuronaux. Cependant, ces méthodes ne généralisent pas bien aux scénarios inconnus et sont sensibles aux paramètres. Pour résoudre ces problèmes, nous proposons une fonction implicite pour apprendre un champ d'angles autour de la normale de chaque point dans le système de coordonnées sphériques, appelée Neural Angle Fields (NeAF). Au lieu de prédire directement la normale d'un point d'entrée, nous prédisons l'écart angulaire entre la normale réelle et une normale d'interrogation échantillonnée aléatoirement. Cette stratégie pousse le réseau à observer plus d'échantillons diversifiés, ce qui conduit à une précision de prédiction supérieure de manière plus robuste. Pour prédire les normales à partir des champs d'angles appris lors du temps d'inférence, nous échantillonnons aléatoirement des vecteurs d'interrogation dans un espace sphérique unitaire et prenons les vecteurs avec les valeurs angulaires minimales comme les normales prédites. Pour exploiter davantage le prior appris par NeAF, nous proposons d'affiner les vecteurs normaux prédits en minimisant les écarts angulaires. Les résultats expérimentaux avec des données synthétiques et des scans réels montrent des améliorations significatives par rapport à l'état de l'art selon plusieurs benchmarks couramment utilisés.