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

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

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图的方法，利用新的谱图小波描述符从 3D 点云序列的时间变化几何中提取运动信息，并通过压缩达到去除多余信息的效果。

Jun, 2015

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