要約
本論文では、非構造点群データに対する堅牢で詳細を保つ表面法線推定のためのエンドツーエンド微分可能なアルゴリズムを提案します。グラフニューラルネットワークを用いて、局所近傍での重み付き最小二乗平面適合に使用される点の重みを生成する適応的な異方性カーネルを反復的にパラメータ化します。この手法は、従来の逐次的な平面適合の解釈可能性と効率性を維持しながら、深層学習を通じてデータセットの統計に適応するという利点を持っています。その結果、ノイズ、外れ値、および点密度変動に対して堅牢であり、異方性カーネルと局所クォータニオンベースの空間変換器による等方性により鋭い特徴を保つ最先端の表面法線推定器が得られます。既存の深層学習手法とは異なり、提案されたアプローチは任意の手作り特徴量や前処理を必要としません。これにより、最先端の結果を超えるとともに、2桁以上高速かつパラメータ効率が高い性能が達成されます。