用于点云去噪的可微流形重建
计算机视觉与模式识别
2020-08-11 v2
摘要
三维点云常因采集设备固有的局限性而受到噪声干扰，这阻碍了表面重建、渲染等下游任务。以往工作大多推断噪声点相对潜在表面的位移，然而这些方法并非显式恢复表面，可能导致次优的去噪结果。为此，我们提出从具有微小噪声扰动的微分可分子采样点及其嵌入的邻域特征中学习噪声点云的潜在流形，旨在捕捉点云的内在结构。具体而言，我们提出了一种类自编码器的神经网络。编码器学习每个点的局部与非局部特征表示，随后通过自适应可微池化操作采样出低噪声点。之后，解码器通过将每个采样点及其邻域的嵌入特征进行变换，推断出以该点为中心的局部表面，从而重建潜在流形。通过在重建流形上重新采样，我们得到去噪后的点云。此外，我们设计了一种无监督训练损失，使我们的网络可以以无监督或有监督的方式训练。实验表明，在合成噪声与真实世界噪声下，我们的方法均显著优于当前最优的去噪方法。代码与数据可在 https://github.com/luost26/DMRDenoise 获取。
引用
@article{arxiv.2007.13551,
title = {Differentiable Manifold Reconstruction for Point Cloud Denoising},
author = {Shitong Luo and Wei Hu},
journal= {arXiv preprint arXiv:2007.13551},
year = {2020}
}
备注
This work has been accepted to ACM MM 2020