空間的なrectifierを用いて、学習データの法線の事前分布と一致するように画像をrectificationするように学習させるのがポイント。表面法線推定器と共同でEnd2Endで学習させる。GTの外れ値を扱うためのロス関数の提案もしている。

既存データセット(ScanNet/NYUv2)と生成した新しいデータセット(Tilt-RGBD)において、定量評価(法線の差のMean/Median/RMSE, <5,7.5,11.5,22.5,30°)で従来手法の性能を大幅に改善。

学習データの法線の事前分布に一致するようにrectificationするという発想がわかりやすく、インパクトがある。また、問題設定に対応したデータセットを自ら生成している。