本文介绍一种基于深度学习的点云去噪方法,可以对噪声和离群点进行有效的处理,并且能应用于大规模点云数据的处理中,实验表明该方法可以有效提高 3D 重建的稳健性。
Jan, 2019
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
这篇论文介绍了一种基于图结构和凸优化方法的技术,用于去噪 3D 点云,并简要讨论了这些方法如何自然推广到时间变化的输入,如 3D 点云时间序列。
Nov, 2015
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
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
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
本文介绍了一种基于神经网络的 3D 点云去噪架构,使用深度学习技术进行去噪,将超过 40000 个采样点的 3D 数据进行网络训练,使用 350 个数据集进行测试,结果表明该算法具有更好的去噪性能和更小的方差。
介绍一种基于深度学习、归一化流以及噪音解缠技术的点云去噪方法,通过对噪声进行解缠并建立欧几里得空间和潜在空间之间的映射,从而实现高精度的去噪。在合成和真实世界数据集上的定性和定量实验表明,其性能优于现有的基于深度学习的方法。
Mar, 2022
利用深度学习方法从少量图像重建和去噪点云,通过使用基于图像的深度学习模型所提取的先验知识来改善约束条件下的重建,并通过引入语义一致性监督来规范化可微渲染器的训练。同时,提出了一种细调稳定扩散算法用于去噪点云的渲染图像,并论证了这些学习的滤波器如何能够去除无需 3D 监督的点云噪声,并与 DSS 和 PointRadiance 方法进行了对比,实现了在 Sketchfab 测试集和 SCUT 数据集上更高质量的 3D 重建。
Apr, 2024
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