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

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

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

结合基于模型的方法和数据驱动的深度学习方法，利用图拉普拉斯正则化作为可训练模块进行真实图像去噪，提出一种可全程微分和端对端训练的图像去噪方法，不易过拟合，跨领域泛化性能强，相对于现有技术具有显著的优越性。

Jul, 2018

本文提出了一种基于自编码器的 3D 点云去噪方法，该方法通过学习嵌入式邻域特征的稀疏点的局部和非局部特征表示，对 3D 点云中的噪声进行去除，并通过重建的流形重新采样得到去噪后的点云，该方法在合成噪声和真实世界噪声下均表现出显著的性能优于现有的去噪方法。

Jul, 2020

介绍了一种新型的正则化方法，它是全局高阶的，不会出现图拉普拉斯正则化中的退化问题。通过构建一个局部一阶替代几何形式，有助于减少计算复杂度，并基于局部导数评估构造高阶正则化方法，该方法在人体形状和姿势分析中的实验表明了其有效性和效率。

Feb, 2016

本文提出了一种正则化图卷积神经网络 (RGCNN)，通过谱图理论，将点云中的特征视为图上的信号进行卷积，可以直接处理点云数据，提高了点云分割效能，并在 ShapeNet 部件数据集上进行了实验验证。

Jun, 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