NeAF: 신경망 각도 필드를 활용한 포인트 법선 추정

비정형 포인트 클라우드의 법선 추정은 3D 컴퓨터 비전에서 중요한 작업입니다. 현재 방법들은 로컬 패치를 법선 벡터로 매핑하거나 신경망을 사용하여 로컬 표면 피팅을 학습함으로써 긍정적인 결과를 얻고 있습니다. 그러나 이러한 방법들은 미처 보지 못한 시나리오에 잘 일반화되지 않고, 매개변수 설정에 민감합니다. 이러한 문제들을 해결하기 위해, 우리는 각 점의 법선 주변에서 구면 좌표계에서 각도 필드를 학습하는 암시적 함수를 제안하며, 이를 Neural Angle Fields (NeAF)라고 명명하였습니다. 입력 점의 법선을 직접 예측하는 대신, 실제 법선과 임의로 샘플링된 쿼리 법선 사이의 각도 오프셋을 예측합니다. 이 전략은 네트워크가 더 다양한 샘플을 관찰하도록 유도하여, 더욱 강건한 방식으로 높은 예측 정확도를 달성할 수 있게 합니다. 추론 시점에서 학습된 각도 필드로부터 법선을 예측하기 위해, 단위 구면 공간에서 쿼리 벡터를 임의로 샘플링하고 가장 작은 각도 값을 가진 벡터들을 예측된 법선으로 취합니다. NeAF가 학습한 사전 정보를 더욱 활용하기 위해, 우리는 각도 오프셋을 최소화하여 예측된 법선 벡터를 개선하는 방법을 제안합니다. 실험 결과는 합성 데이터와 실제 스캔 데이터에서 널리 사용되는 벤치마크 하에서 기존 최신 기술보다 크게 향상되었음을 보여줍니다.