通过二分图近似和重新加权图拉普拉斯进行 3D 点云去噪
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
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
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
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
本研究提出了一种加权法线估算方法,包括一种新型加权法线回归技术和一项对比度学习预处理过程,在保持特征的同时实现了鲁棒性,处理了噪声和复杂的点云,获得了合成和真实数据集上的最先进性能。
May, 2023
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