AdaFit: ポイントクラウド上の学習に基づく法線推定の再考

本論文では、ノイズや密度変動を含む点群に対して堅牢な法線推定を行うニューラルネットワークであるAdaFitを提案します。既存の手法では、重み付き最小二乗法による表面フィッティングのための点ごとの重みを学習するネットワークを使用していますが、複雑な領域やノイジーポイントを含む場合に正確な法線を見つけることが困難です。重み付き最小二乗法による表面フィッティングの手順を分析した結果、適合面の多項式次数を決定することが難しく、適合面が外れ値に敏感であることがわかりました。これらの問題に対処するために、私たちは単純かつ効果的な解決策として、追加のオフセット予測を導入することで法線推定の品質を向上させる方法を提案します。さらに、異なる近傍サイズからの点を利用するため、新しいカスケードスケール集約層（Cascaded Scale Aggregation layer）が提案され、ネットワークがより正確な点ごとのオフセットと重みを予測するのに役立ちます。広範な実験により、AdaFitは合成PCPNetデータセットと実世界SceneNNデータセットの両方で最先端の性能を達成していることが示されています。