近期，本实验室曹俊杰老师作为通讯作者，主导完成的最新研究成果《PointNorm-Net: Self-Supervised Normal Prediction of 3D Point Clouds via Multi-Modal Distribution Estimation》被人工智能领域顶级学术刊物IEEE Transactions on Pattern Analysis and Machine Intelligence（简称IEEE TPAMI）正式录用。
IEEE TPAMI 是由IEEE计算机学会（IEEE Computer Society）主办、面向全球发布的旗舰级学术期刊，聚焦于人工智能、计算机视觉与模式识别领域的前沿理论与技术创新。自1979年创刊以来，TPAMI 始终致力于引领计算智能与模式分析的研究方向，是该领域最具影响力和学术权威的国际期刊之一。
论文概述：
本文提出 PointNorm-Net，一种开创性的自监督深度学习框架，专为解决三维点云法线估计中普遍存在的真实数据域迁移难题及昂贵标注依赖性。传统监督方法受限于合成训练数据与真实扫描数据之间的固有差异，导致在实际应用中泛化能力显著不足。
PointNorm-Net的核心在于其引入的新颖三阶段多模态法线分布估计范式。该范式基于一种统计学上严谨的“真值采样”特性，即在特定条件下，查询点的真实法线可视为其局部邻域内随机采样的候选法线的期望。具体流程包括：1) 候选法线初始化，通过局部平面拟合生成大量原始候选；2) 可行法线筛选，借助基于邻域共识的置信度机制滤除噪声及异常候选；3) 主模态估计，通过创新的多样本共识损失（Candidate Consensus Loss），驱动网络识别并收敛至最具有代表性的法线主模态，有效处理特征区域可能出现的法线多模态分布。此外，引入的特征保持损失进一步强化了模型对锐利几何结构的捕捉能力。
实验结果表明，PointNorm-Net展现出卓越的泛化性能。在多种真实世界扫描数据集（如Kinect、LiDAR和TLS数据）上，其法线估计精度和鲁棒性均显著超越了当前的传统优化方法和主流有监督深度学习模型。该方法不仅消除了对人工标注的依赖，同时保持了与先进监督方法相当的推理效率。更重要的是，此多模态分布估计范式具有高度通用性，其在自监督点云去噪等低级处理任务中的成功应用，进一步验证了其作为基础方法论的普适性和潜力。
主页：https://minghuinie.github.io/PointNorm-Net/
代码：https://github.com/MinghuiNie/PointNorm-Net
下一条：本实验室杨凯辰同学的研究成果成功被计算机视觉顶级会议CVPR2025录用
