IterativePFN：真正的迭代式点云滤波
计算机视觉与模式识别
2023-08-28 v1
摘要
点云的质量常受采集过程中引入的噪声限制。因此，一项基础的3D视觉任务是去除噪声，即点云滤波或去噪。最先进的基于学习的方法侧重于训练神经网络以推断滤波位移，并将噪声点直接移动到潜在的干净表面上。在高噪声条件下，它们对滤波过程进行迭代。然而，这种迭代滤波仅在测试时进行，且在确保点快速收敛到干净表面方面效果较差。我们提出IterativePFN（迭代式点云滤波网络），其由多个IterationModule组成，在单一网络内部对真正的迭代滤波过程进行建模。我们使用一种新颖的损失函数来训练IterativePFN网络，该损失函数在每次迭代时利用自适应真值目标，以捕捉训练期间中间滤波结果之间的关系。这确保了滤波结果更快地收敛到干净表面。与最先进的方法相比，我们的方法能够获得更好的性能。源代码可在 https://github.com/ddsediri/IterativePFN 找到。
引用
@article{arxiv.2304.01529,
title = {IterativePFN: True Iterative Point Cloud Filtering},
author = {Dasith de Silva Edirimuni and Xuequan Lu and Zhiwen Shao and Gang Li and Antonio Robles-Kelly and Ying He},
journal= {arXiv preprint arXiv:2304.01529},
year = {2023}
}
备注
This paper has been accepted to the IEEE/CVF CVPR Conference, 2023