本文提出了一种更通用的解决方案，利用分数函数的性质，通过求解系统去除单张图像噪音，可应用于多种复杂噪音模型。实验结果表明，与其他方法相比，我们的方法在复杂的噪声模型下表现良好。

Apr, 2023

本文提出一种新颖的技术，通过随机梯度上升在未标准化概率密度上移动样本点来生成点云，使其达到类似真实高密度区域的效果，并通过该方法达到点云自编码和生成的最新成果，同时允许提取高质量的隐式表面。

Aug, 2020

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

通过分析神经网络的数学框架和得分匹配与回归分析之间的创新连接，本文提出了第一次得分函数学习的一般化误差（样本复杂性）边界，从而克服了观测值中存在噪声的问题。

Jan, 2024

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

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

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