本文提出了一种快速图形化去噪方法（FGBD），用于大规模点云的实时去噪，通过快速图形构建、快速噪声估计以及低成本滤波器选择，可以在维持准确性的同时大幅减少处理时间。

Jan, 2024

本文提出一种基于图卷积层的深度神经网络，能够优雅地处理学习型点云处理方法所遇到的置换不变性问题，通过动态构建邻域图来建立特征的复杂层次结构，与促进接近理想表面的损失相结合，该方法在各种指标上都明显优于现有方法，特别是在高噪声和结构噪声等实际情况下表现尤为稳健。

Jul, 2020

本文提出一种基于低维流形模型和图拉普拉斯正则化器的 3D 点云去噪方法，通过近似离散观测的流形维度计算，并且采用一种新的离散补丁距离度量来构建一个抗噪声的图形结构，并取得了比当前最先进方法更好的性能和更好的结构特征保持。

Mar, 2018

数字化社会快速发展，朝着数字孪生和元宇宙的实现方向迈进。其中，点云作为一种 3D 空间的媒体格式备受关注。由于测量误差，点云数据受到噪声和异常值的污染，因此在点云处理中需要进行去噪和异常值检测。我们通过应用基于动态图卷积神经网络设计的两种类型的图卷积层来解决 PointCleanNet 未考虑局部几何结构的问题。实验结果表明，所提方法在 AUPR（异常值检测准确度）和 Chamfer 距离（去噪准确度）上优于传统方法。

Oct, 2023

本文提出了一种基于最近图信号处理的本地算法来进行三维点云去噪，具体而言，使用重新加权图拉普拉斯正则化器来进行表面法线进行正则化，进而通过二分图逼近和优化实现了局部去噪性能。

Dec, 2018

本文提出了一种新颖的深度学习方法，通过两个步骤（特征融合和形变）将随机点云变形成对象形状，从而重建单张图像的点云。通过引入一个新层 GraphX，考虑点之间的相互关系，操作无序集合。这个模型还可以生成任意大小的点云，验证了在单图像 3D 重建上超越了现有模型并将其分数减半。

Nov, 2019

本文提出了一种基于图的方法，利用新的谱图小波描述符从 3D 点云序列的时间变化几何中提取运动信息，并通过压缩达到去除多余信息的效果。

Jun, 2015

本文提出一种基于特征图的方法来学习图信号的复原，通过最小化图拉普拉斯正则项以优化马氏距离矩阵的带权图，在 3D 点云去噪问题上的实验证明，相较于已有的方案，该算法具有最先进的性能。

Jul, 2019

该论文提出了一种基于密度的点云去噪方法，该方法使用粒子群优化技术来自动逼近多变量核密度估计的最优带宽，并使用均值漂移聚类技术通过阈值方案来除去离群点。去除离群点后，应用双边网格滤波来平滑剩余点。实验结果表明，该方法是鲁棒和有效的。

Feb, 2016

本文探讨了基于无监督学习的 3D 点云去噪方法，通过在无结构的 3D 点云上引入空间先验项的方式，实现了对噪声的准确降噪。

Apr, 2019