基于低维流形模型图拉普拉斯正则化的3D点云去噪
计算机视觉与模式识别
2019-05-01 v2
摘要
3D点云——体积物体的一种新信号表示——是标记3D空间中物体外表面位置的离散三元组集合。3D点云的传统非完美采集过程——例如，从多视角图像进行立体匹配或直接从主动光传感器获取深度数据——意味着数据中存在不可忽略的噪声。在本文中，我们采用先前提出的点云表面图块低维流形模型，并寻找自相似图块，利用图块流形先验同时对它们进行去噪。由于对流形上图块的离散观测，我们用基于图块的图拉普拉斯正则化子逼近连续域中定义的流形维度计算，并提出一种新的离散图块距离度量来量化两个相同大小表面图块之间的相似性以进行图构建，该度量对噪声具有鲁棒性。我们表明，我们的图拉普拉斯正则化子具有自然的图谱解释，并通过特征分析具有理想的数值稳定性。大量仿真结果表明，我们提出的去噪方案在客观指标上优于现有方法，并能更好地保留视觉显著的结构特征（如边缘）。
引用
@article{arxiv.1803.07252,
title = {3D Point Cloud Denoising using Graph Laplacian Regularization of a Low Dimensional Manifold Model},
author = {Jin Zeng and Gene Cheung and Michael Ng and Jiahao Pang and Cheng Yang},
journal= {arXiv preprint arXiv:1803.07252},
year = {2019}
}