基于图论的 LiDAR 数据 3D 法向量提取算法
本文研究了使用稀疏 LiDAR 数据估计垂直线的方法，通过标记相邻点的角度并只计算带有相同标记的点的法线，成功解决了高曲率区域平滑法线的问题，并证明了该方法在高质量地图生成中的稳健性和低运行时开销。
Apr, 2024
稀疏的 LiDAR 点云常常导致静态结构的细节丢失严重，并减少了用于导航的静态点的密度。本文提出了一种利用全局拓扑信息推断静态结构的方法，通过构建骨架并在静态结构上生成新的点，以克服稀疏性问题。我们提出了 GLiDR，这是一个通过 0 维持久同调约束实现拓扑规范化的图生成网络。GLiDR 使用比基准方法更少的动态扫描点生成更精确的静态点，并在三个数据集上表现出更好的性能。GLiDR 还能生成准确的静态和动态对象的二值分割掩模，有助于导航规划和有限环境中的安全性。
Nov, 2023
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
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
本文调查和评估了一些流行的算法曲率和法向量估计方法，并提出了一种新的鲁棒性曲率估计方法，并将其与现有方法进行评估，从而证明了其对于在数据噪声较大的情况下优于现有方法。
Jun, 2023
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
通过引入全局信息和各种约束机制，我们设计了一个基础框架来增强现有模型，同时采用基于置信度的策略选择合理样本进行公平且鲁棒的网络训练，并利用现有的定向方法纠正估计的非定向法线，在定向和非定向任务中实现了最先进的性能。广泛的实验结果证明了我们的方法对广泛使用的基准测试数据集表现良好。
May, 2024
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
本文提出了一种精确高效的方法，用于处理非结构化三维点云上的噪声与非均匀密度，并通过图卷积特征表示学习局部邻域几何信息进行法向量估计，设计了基于注意力机制的自适应模块，进一步增强了法向估计器对点密度变化的鲁棒性，并引入多尺度结构提取图块来学习更丰富的几何特征，在多个基准数据集上实现了最先进的精度和较强的噪声鲁棒性。
Jul, 2022