LBF：用于点云去噪的可学习双边滤波器
计算机视觉与模式识别
2022-10-31 v1
摘要
双边滤波器（BF）是一种快速、轻量且有效的图像去噪工具，并已良好地扩展到点云去噪。然而，它通常需要进行持续而人工的参数调整；这一不便降低了获得满意去噪结果的效率和用户体验。我们提出 LBF，一种用于点云去噪的端到端可学习双边滤波网络；据我们所知，这是首次。与对整个点云采用相同参数的传统 BF 及其变体不同，LBF 根据每个点的几何特征（如角点、边缘、平面）学习自适应参数，从而避免残留噪声、错误移除的几何细节和失真形状。除 BF 的可学习范式外，我们还有两个核心以促进 LBF。首先，与局部 BF 不同，LBF 通过利用每个点的多尺度块具备全局尺度特征感知能力。其次，LBF 构建了一个几何感知的双向投影损失，使去噪结果忠实于其潜在表面。用户可无需任何费力调参即可应用我们的 LBF 获得最优去噪结果。实验表明，在合成和真实扫描数据集上 LBF 相对于对比方法均有明显改进。
引用
@article{arxiv.2210.15950,
title = {LBF:Learnable Bilateral Filter For Point Cloud Denoising},
author = {Huajian Si and Zeyong Wei and Zhe Zhu and Honghua Chen and Dong Liang and Weiming Wang and Mingqiang Wei},
journal= {arXiv preprint arXiv:2210.15950},
year = {2022}
}