MSL-Net：3次元点群のためのシャープ特徴検出ネットワーク

MSL-Net: Sharp Feature Detection Network for 3D Point Clouds.

抄録

3次元点群の重要な幾何学的特徴として、シャープな特徴は形状解析、3次元再構成、レジストレーション、ローカリゼーションなどで重要な役割を果たす。現在のシャープな特徴検出手法は、入力点群の品質にまだ敏感であり、検出性能はランダムなノイズ点や不均一な密度の影響を受ける。本論文では、幾何学的特徴の事前知識を用いて、3次元点群からシャープな特徴を検出するために、固有近傍形状記述子に基づく新しい深層学習ベースの手法であるマルチスケールラプラスネットワーク（MSL-Net）を提案する。まず、ラプラシアングラフに基づく点群の離散的な固有近傍を確立し、局所的な陰解面推定の誤差を低減する。次に、固有近傍に基づく新しい固有形状記述子を、強化された法線抽出と余弦ベースの場推定関数と組み合わせて設計する。最後に、固有形状記述子に基づくMSL-Netのバックボーンを示す。固有近傍と形状記述子の恩恵により、我々のMSL-Netはシンプルなアーキテクチャを持ち、複雑な固有計量計算を回避しつつ、多様体分布を満たす正確な特徴予測を確立することができる。広範な実験結果は、マルチスケール構造により、MSL-Netが点群の局所的な摂動に対して強い解析能力を持つことを示している。最新の手法と比較して、我々のMSL-Netはよりロバストで正確である。コードは以下で公開されている。

As a significant geometric feature of 3D point clouds, sharp features play an important role in shape analysis, 3D reconstruction, registration, localization, etc. Current sharp feature detection methods are still sensitive to the quality of the input point cloud, and the detection performance is affected by random noisy points and non-uniform densities. In this paper, using the prior knowledge of geometric features, we propose a Multi-scale Laplace Network (MSL-Net), a new deep-learning-based method based on an intrinsic neighbor shape descriptor, to detect sharp features from 3D point clouds. Firstly, we establish a discrete intrinsic neighborhood of the point cloud based on the Laplacian graph, which reduces the error of local implicit surface estimation. Then, we design a new intrinsic shape descriptor based on the intrinsic neighborhood, combined with enhanced normal extraction and cosine-based field estimation function. Finally, we present the backbone of MSL-Net based on the intrinsic shape descriptor. Benefiting from the intrinsic neighborhood and shape descriptor, our MSL-Net has simple architecture and is capable of establishing accurate feature prediction that satisfies the manifold distribution while avoiding complex intrinsic metric calculations. Extensive experimental results demonstrate that with the multi-scale structure, MSL-Net has a strong analytical ability for local perturbations of point clouds. Compared with state-of-the-art methods, our MSL-Net is more robust and accurate. The code is publicly available at.