MSECNet : Estimation précise et robuste de la normale pour des nuages de points 3D par conditionnement aux bords multi-échelle

L’estimation des normales de surface à partir de nuages de points 3D est essentielle pour de nombreuses applications, telles que la reconstruction de surfaces et le rendu. Bien que les méthodes existantes pour l’estimation des normales fonctionnent efficacement dans les régions où les normales varient lentement, elles échouent fréquemment là où ces variations sont rapides. Pour remédier à ce problème, nous proposons une nouvelle approche appelée MSECNet, qui améliore l’estimation dans les régions à forte variation de normales en modélisant cette variation comme un problème de détection de contours. MSECNet se compose d’un réseau principal (backbone) et d’un flux de conditionnement par contours multi-échelle (MSEC). Ce dernier permet une détection robuste des contours grâce à une fusion de caractéristiques multi-échelle et à une détection adaptative des contours. Les contours détectés sont ensuite combinés avec la sortie du réseau principal via un module de conditionnement par contours afin de produire des représentations sensibles aux contours. Des expériences étendues montrent que MSECNet surpasse les méthodes existantes sur des jeux de données synthétiques (PCPNet) et réels (SceneNN), tout en étant significativement plus rapide. Nous menons également diverses analyses pour évaluer la contribution de chaque composant du flux MSEC. Enfin, nous démontrons l’efficacité de notre approche dans le cadre de la reconstruction de surfaces.