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。

Apr, 2019

本文提出了一种基于深度学习的点云局部三维形状属性估计方法 PCPNet，采用基于 patch 的学习方法，结合多尺度编码，能在强噪声和多尺度特征的情况下更好地估计法线及曲率等局部形状信息。我们的方法在结构化三角网格训练数据上训练，可以在处理噪声点云时得到比现有技术更好的结果，并成功在形状重构方面得到应用。

Oct, 2017

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

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

本文介绍了一种基于完全卷积神经网络的技术，旨在解决点云处理过程中的数据缺失与冗余问题，该方法可以提高基于学习的和经典的点云配准方法的准确性，并在真实世界与合成数据集上进行了测试和演示。

Oct, 2020

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

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 PointNet 网络，通过直接消耗点云数据并尊重其排列不变性，实现了一个统一的架构，可用于物体分类、局部分割和场景语义解析等多种应用，并在理论和实验方面都有较好表现。

Dec, 2016