NeAF: ニューラル角度フィールドを用いた点法線推定の学習

非構造点群の法線推定は、3次元コンピュータビジョンにおいて重要な課題である。現在の手法では、局所パッチを法線ベクトルにマッピングする方法や、ニューラルネットワークを使用して局所表面適合を学習する方法が用いられており、有望な結果が得られている。しかし、これらの手法は未知のシナリオへの汎化性能が低く、パラメータ設定に対して敏感であるという問題がある。これらの問題を解決するために、我々は各点の法線周囲で角度フィールドを学習する暗黙関数を提案し、これを Neural Angle Fields (NeAF) と呼ぶ。入力点の法線を直接予測する代わりに、真値の法線とランダムにサンプリングされたクエリ法線との間の角度オフセットを予測する。この戦略により、ネットワークはより多様なサンプルを観察することが促され、より堅牢な方法で高い予測精度が達成される。推論時に学習した角度フィールドから法線を予測するために、単位球空間内でクエリベクトルをランダムにサンプリングし、最小の角度値を持つベクトルを予測された法線として採用する。さらに NeAF によって学習された事前知識を利用するために、角度オフセットを最小化することにより予測された法線ベクトルの精緻化を提案する。合成データと実際のスキャンを使用した実験結果は、広く使用されているベンチマークにおいて現行最先端技術よりも大幅な改善を示している。