MODNet：面向多尺度块定制的多点偏移点云去噪网络
计算机视觉与模式识别
2023-03-22 v2 人工智能
摘要
3D表面的复杂性常导致尖端点云去噪（PCD）模型出现包括残余噪声、错误移除几何细节在内的表面退化。尽管使用多尺度块编码点的几何已成为PCD中的普遍共识，我们发现简单聚合提取的多尺度特征无法根据噪声点周围的几何信息自适应利用适当尺度信息。这导致表面退化，尤其对于靠近边缘的点与复杂曲面上的点。我们提出一个引人深思的问题——若利用多尺度几何感知信息引导网络使用多尺度信息，能否消除严重的表面退化问题？为回答它，我们提出了一种面向多尺度块定制的多点偏移去噪网络（MODNet）。首先，我们通过块特征编码器提取三种尺度块的低级特征。其次，设计多尺度感知模块以嵌入每类尺度特征的多尺度几何信息，并回归多尺度权重以引导多点偏移去噪位移。第三，多点偏移解码器回归三种尺度偏移，由多尺度权重引导通过自适应加权预测最终位移。实验表明，我们的方法在合成与真实扫描数据集上均达到了新的最先进性能。
引用
@article{arxiv.2208.14160,
title = {MODNet: Multi-offset Point Cloud Denoising Network Customized for Multi-scale Patches},
author = {Anyi Huang and Qian Xie and Zhoutao Wang and Dening Lu and Mingqiang Wei and Jun Wang},
journal= {arXiv preprint arXiv:2208.14160},
year = {2023}
}