自适应双重加权引力点云去噪方法
计算机视觉与模式识别
2026-01-06 v2
摘要
高质量的点云数据是自动驾驶和三维重建等任务的关键基础。然而，LiDAR 基于的点云获取常受多种干扰影响，导致大量噪声点降低后续点云目标检测和识别的准确度。此外，现有的点云去噪方法通常在追求更高去噪精度时牺牲计算效率，或相反地以牺牲物体边界和细节结构保存为代价来提高处理速度，难以同时实现高去噪精度、强边缘保留和实时性能。为解决这些限制，本文提出了一种自适应双重加权引力基于点云去噪方法。首先，采用八叉树对全局点云进行空间分区，实现并行加速。随后，在每个叶子节点内部，应用自适应体素占用统计和 k 最近邻（kNN）密度估计，以快速去除明显孤立和低密度的噪声点，从而减少有效候选集合。最后，构建结合密度权重与自适应距离权重的引力评分函数，以精细区分噪声点和目标点。在斯坦福 3D扫描储存库、加拿大不利驾驶条件（CADC）数据集以及我们实验室中获取的自研 RUBY PLUS LiDAR 点云上进行的实验表明，与现有方法相比，所提出的方法在各种噪声条件下在 F1、PSNR 和 Chamfer Distance（CD）方面均实现了一致的提升，同时降低了单帧处理时间，验证了其在多噪声情景下的高准确率、鲁棒性和实时性能。
引用
@article{arxiv.2512.10386,
title = {Adaptive Dual-Weighted Gravitational Point Cloud Denoising Method},
author = {Ge Zhang and Chunyang Wang and Bin Liu and Guan Xi},
journal= {arXiv preprint arXiv:2512.10386},
year = {2026}
}