Norest-Net: Normal Estimation Neural Network for 3-D Noisy Point Clouds

Norest-Net：用于三维嘈杂点云的法线估计神经网络

将一组无序点云进行采集的广泛方式，例如融合激光扫描、深度图像融合以及从 x 结构等方式，通常会产生一个三维嘈杂的点云。对于这种嘈杂点云的准确法线估计对于各种应用的成功至关重要。然而，现有的法线估计方法通常努力达到一个冲突的目标，即同时执行法线过滤和保留表面特征，这不可避免地导致估计结果不准确。我们提出了一种法线估计神经网络（Norest-Net），它将法线过滤和特征保留视为两个独立的任务，使得每个任务都专注于特定的目标而不是进行权衡。为了完全去除噪声，我们通过学习每个点的噪声高度图描述符（HMD）到地面真值（GT）点法线的法线过滤网络（NF-Net）分支；为了恢复表面特征，我们通过学习从双边去噪点法线描述符（B-DPND）到GT点法线的法线细化网络（NR-Net）分支。此外，NR-Net可分离，以融入现有的法线估计方法以提高其性能。Norest-Net在合成和真实世界采集的点云上在特征保留和噪声鲁棒性方面都明显优于当前技术水平。

图 1. 在 Eros 点云上进行的法线估计结果（噪声水平为0.2l_d，l_d为每个点到其最近邻点的平均距离）。放大的片段显示了由于两个网络分支，即用于去噪的 NF-Net 和用于恢复细节的 NR-Net，我们方法在几何细节保留方面相对于当前技术水平的明显改进。同时，平均角误差（即θ），衡量了估计点法线与地面真值之间的平均角变化，与每种方法的几何可视化一致。(a) PCA [23]。(b) PCV [13]。© HoughCNN [17]。(d) PCPNet [27]。(e) Nesti-Net [18]。(f) 我们的方法。(g) 地面真值。

图 2. Norest-Net的流程图。神经网络用于法线回