Apr, 2019

基于深度神经网络的局部表面估计的 3D 点云去噪

PDF
TL;DR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。
发现论文，激发创造
  • PointCleanNet：学习从稠密点云中去噪和去除异常值

    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

  • 学习图卷积表示用于点云去噪

    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

  • PD-Flow：一种带有归一化流的点云去噪框架

    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

  • 深度迭代表面法线估计

    该研究提出了一种基于图神经网络和自适应各向异性核的表面法线估计算法，不需要任何手动特征或预处理，优于现有深度学习方法，在保留尖锐特征和空间等变性的同时，速度和参数效率均为同类算法的两个数量级。

    Apr, 2019

  • 基于动态图卷积神经网络的局部几何结构点云去噪和异常点检测

    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

  • 深度特征保持点云滤波法中的法向估计

    该研究提出了一种新的基于特征保留的法线估计方法来过滤点云，并通过实验证明其在去除噪点和保留几何特征方面的效果优于现有法线估计方法和点云过滤技术。

    Apr, 2020

  • 全息降噪：无监督学习三维点云清理

    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

  • Nesti-Net: 使用卷积神经网络进行非结构化三维点云的法向估计

    本文提出了基于多尺度点统计（MuPS）的局部高斯网格表示的法向估计方法 Nesti-Net，使用混合专家（MoE）结构来优化每个点周围的最佳比例，从而显著提高模型的鲁棒性和精度。实验结果表明，该方法在合成数据集上达到了最先进水平，并在实际扫描场景上展现了良好的表现。

    Dec, 2018

  • 基于得分的点云去噪 (学习梯度场进行点云去噪)

    通过神经网络估计噪点云分布得分，在梯度上升迭代中更新每个点的位置以最大程度提高每个点的对数似然，从而实现去噪。经实验证明，在多种噪声模型下，该模型优于现有最先进方法，并显示出在点云上采样等其他任务中应用的潜力。

    Jul, 2021

  • 深度点云重建

    该研究提出了一种基于深度学习的点云重建网络，采用两个阶段进行密集化、去噪和点云完整性重建，其中使用了变换器进行离散体素向 3D 点的转换，同时提出了放大位置编码模块以优化变换器，实现在 3D 扫描建模领域的最新水平。

    Nov, 2021