HSurf-Net: 3D 포인트 클라우드의 법선 추정을 위한 하이퍼 표면 학습

우리는 노이즈와 밀도 변동을 가진 포인트 클라우드에서 정확하게 법선을 예측할 수 있는 새로운 법선 추정 방법인 HSurf-Net을 제안합니다. 기존의 방법들은 사전 정의된 차수를 가진 다항 함수로 근사화된 기하학적 표면에 이웃 영역을 맞추기 위해 점의 가중치를 학습하는 데 초점을 두었습니다. 그러나, 원시 포인트 클라우드에서 표면을 명시적으로 맞추는 것은 부적절한 다항 함수 차수와 이상치로 인해 과적합 또는 저적합 문제가 발생하여 기존 방법들의 성능을 크게 제한하였습니다. 이러한 문제들을 해결하기 위해, 우리는 하이퍼 표면 피팅(hyper surface fitting)을 도입하여 하이퍼 표면을 암묵적으로 학습합니다. 하이퍼 표면은 점 특성을 입력으로 받아 고차원 특성 공간에서 표면 패턴을 출력하는 다층 퍼셉트론(MLP) 계층으로 표현됩니다. 또한, 최적의 특성 공간을 학습하기 위한 새로운 공간 변환 모듈과 효과적으로 포인트 클라우드를 학습된 특성 공간으로 변환하는 상대 위치 인코딩 모듈을 소개합니다. 이 모듈은 로컬 집계 계층과 글로벌 시프트 계층의 시퀀스로 구성되어 있습니다. 우리의 모델은 노이즈가 없는 특성에서 하이퍼 표면을 학습하고 직접 법선 벡터를 예측합니다. 데이터 주도 방식으로 MLP 가중치와 모듈 매개변수를 공동 최적화하여 다양한 점들에 대해 가장 적합한 표면 패턴을 자동으로 찾도록 합니다. 실험 결과, 우리의 HSurf-Net은 합성 형태 데이터셋, 실제 실내 및 실외 장면 데이터셋에서 최신 수준의 성능을 달성하였습니다. 코드, 데이터 및 사전 훈련된 모델은 공개적으로 이용 가능합니다.