AdaFit: Rethinking Learning-based Normal Estimation on Point Clouds (2021-ICCV)
代码地址：https://github.com/Runsong123/AdaFit.
在点云处理中，其中一个基本任务就是从点云中鲁棒地估计表面法线，这在许多实际应用中起着十分关键作用，例如表面重建、配准、分割、图元拟合、逆向工程和抓取。但由于存在噪声、点密度变化和结构缺失的问题，对点云的鲁棒且准确的表面法线估计任务仍然十分具有挑战性。
本文提出了一种用于对点云进行鲁棒法线估计的神经网络AdaFit，该网络可以处理具有噪声和密度变化的点云。现有的一些工作使用网络学习加权最小二乘曲面拟合的逐点权重来估计法线，这很难在复杂区域或包含噪声点的表面找到准确的法线。通过分析加权最小二乘曲面拟合的步骤，作者发现拟合曲面的多项式阶数很难确定，因此拟合的曲面对噪点很敏感。为了解决这些问题，作者提出了一个简单而有效的解决方案，它增加了一个额外的偏置预测层来提高法线估计的质量（PS:这里作者的工作在很多点云滤波方法中有类似的思路）。此外，为了利用来自不同邻域大小的点集，作者提出了一种新的级联尺度聚合层，以帮助网络更准确的预测逐点偏移和权重。大量实验表明，AdaFit在合成的PCPNet数据集和 真实SceneNN 数据集上都达到了SOTA。
主要贡献总结如下：
1)通过对加权表面拟合理论进行全面分析，发现了这些方法在法线估计中存在的两个关键问题。
2)通过预测偏
