論文の概要: Learning Normals of Noisy Points by Local Gradient-Aware Surface Filtering

• arxiv url: http://arxiv.org/abs/2507.03394v1
• Date: Fri, 04 Jul 2025 08:55:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.717407
• Title: Learning Normals of Noisy Points by Local Gradient-Aware Surface Filtering
• Title（参考訳）: 局所勾配対応表面フィルタによる雑音点の学習法則
• Authors: Qing Li, Huifang Feng, Xun Gong, Yu-Shen Liu,
• Abstract要約: ノイズの多い点雲の正規度を推定することは、3次元幾何処理において永続的な課題である。 そこで本研究では,局所勾配対応表面フィルタリングにより,雑音の多い点群から正規項を学習する手法を提案する。 本手法は,局所勾配に制約された暗黙関数から得られる正規分布と距離を利用して,雑音点を基底面に投影する。
• 参考スコア（独自算出の注目度）: 30.868527375568682
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Estimating normals for noisy point clouds is a persistent challenge in 3D geometry processing, particularly for end-to-end oriented normal estimation. Existing methods generally address relatively clean data and rely on supervised priors to fit local surfaces within specific neighborhoods. In this paper, we propose a novel approach for learning normals from noisy point clouds through local gradient-aware surface filtering. Our method projects noisy points onto the underlying surface by utilizing normals and distances derived from an implicit function constrained by local gradients. We start by introducing a distance measurement operator for global surface fitting on noisy data, which integrates projected distances along normals. Following this, we develop an implicit field-based filtering approach for surface point construction, adding projection constraints on these points during filtering. To address issues of over-smoothing and gradient degradation, we further incorporate local gradient consistency constraints, as well as local gradient orientation and aggregation. Comprehensive experiments on normal estimation, surface reconstruction, and point cloud denoising demonstrate the state-of-the-art performance of our method. The source code and trained models are available at https://github.com/LeoQLi/LGSF.
• Abstract（参考訳）: ノイズの多い点雲の正規度を推定することは、特にエンドツーエンド指向の正規度推定において、3次元幾何処理において永続的な課題である。 既存の方法は一般に比較的クリーンなデータに対処し、特定の地区の局所的な面に合うように監督された事前に依存する。 本稿では,局所勾配対応表面フィルタリングを用いて,雑音の多い点群から正規項を学習する手法を提案する。 本手法は,局所勾配に制約された暗黙関数から得られる正規分布と距離を利用して,雑音点を基底面に投影する。 まず,標準値に沿って投影された距離を積分した雑音データに基づく大域的表面適合のための距離測定演算子を導入する。 これに続いて、表面点構築のための暗黙の場に基づくフィルタリング手法を開発し、フィルタ中にこれらの点に射影制約を加える。 過平滑化や勾配劣化の問題に対処するため,局所勾配の制約や局所勾配の配向や凝集も取り入れた。 通常の推定, 表面再構成, 点雲復調に関する総合的な実験により, 提案手法の最先端性能が実証された。 ソースコードとトレーニングされたモデルはhttps://github.com/LeoQLi/LGSF.comで公開されている。

関連論文リスト

• PPSURF: Combining Patches and Point Convolutions for Detailed Surface Reconstruction [15.843730758485917]
  PPSurfは、ポイント畳み込みに基づくグローバル事前処理と、ローカルポイントクラウドパッチの処理に基づくローカル事前処理を組み合わせた手法である。 提案手法は,現在の最先端技術よりも高精度に表面情報を復元しながら,ノイズに対して頑健であることを示す。
  論文  参考訳（メタデータ） (2024-01-16T17:31:43Z)
• NeuralGF: Unsupervised Point Normal Estimation by Learning Neural Gradient Function [55.86697795177619]
  3次元点雲の正規推定は3次元幾何処理の基本的な課題である。 我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。 広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
  論文  参考訳（メタデータ） (2023-11-01T09:25:29Z)
• Neural Gradient Learning and Optimization for Oriented Point Normal Estimation [53.611206368815125]
  本研究では,3次元点雲から勾配ベクトルを一貫した向きで学習し,正規推定を行うためのディープラーニング手法を提案する。 局所平面幾何に基づいて角距離場を学習し、粗勾配ベクトルを洗練する。 本手法は,局所特徴記述の精度と能力の一般化を図りながら,グローバル勾配近似を効率的に行う。
  論文  参考訳（メタデータ） (2023-09-17T08:35:11Z)
• Learning Signed Hyper Surfaces for Oriented Point Cloud Normal Estimation [53.19926259132379]
  我々は,符号付きハイパー曲面の学習による点雲の向きの正規分布推定のためのSHS-Netと呼ばれる新しい手法を提案する。 符号付き超曲面は、局所的および大域的な情報を集約する高次元特徴空間において暗黙的に学習される。 注意重み付き正規予測モジュールをデコーダとして提案し,局所およびグローバル潜時符号を入力として向きの正規を推定する。
  論文  参考訳（メタデータ） (2023-05-10T03:40:25Z)
• Rethinking the Approximation Error in 3D Surface Fitting for Point Cloud Normal Estimation [39.79759035338819]
  推定値と精密表面標準値のギャップを埋めるための基本設計原則を2つ提示する。 この2つの原理をディープニューラルネットワークを用いて実装し、プラグアンドプレイ方式で最先端のSOTA(State-of-the-art)正規推定手法と統合する。
  論文  参考訳（メタデータ） (2023-03-30T05:59:43Z)
• GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided Distance Representation [73.77505964222632]
  スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。 具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。 予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
  論文  参考訳（メタデータ） (2022-11-30T06:02:01Z)
• HSurf-Net: Normal Estimation for 3D Point Clouds by Learning Hyper Surfaces [54.77683371400133]
  本稿では,ノイズと密度の変動のある点群から正規性を正確に予測できるHSurf-Netという新しい正規推定手法を提案する。 実験結果から, HSurf-Netは, 合成形状データセット上での最先端性能を実現することがわかった。
  論文  参考訳（メタデータ） (2022-10-13T16:39:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。