NoiseSDF2NoiseSDF：从含噪监督中学习清洁神经场
计算机视觉与模式识别
2025-09-30 v2
摘要
从点云重建精确的隐式表面表示仍然是一项具有挑战性的任务，特别是当数据使用低质量扫描设备捕获时。这些点云通常包含大量噪声，导致表面重建不准确。受二维图像Noise2Noise范式的启发，我们引入了NoiseSDF2NoiseSDF，这是一种旨在将此概念扩展到三维神经场的新方法。我们的方法通过最小化含噪SDF表示之间的MSE损失，使得网络能够直接从含噪点云中通过含噪监督学习清洁的神经SDF，从而隐式地降噪并细化表面估计。我们在ShapeNet、ABC、Famous和Real数据集等基准上评估了NoiseSDF2NoiseSDF的有效性。实验结果表明，我们的框架显著提高了从含噪输入进行表面重建的质量。
关键词
引用
@article{arxiv.2507.13595,
title = {NoiseSDF2NoiseSDF: Learning Clean Neural Fields from Noisy Supervision},
author = {Tengkai Wang and Weihao Li and Ruikai Cui and Shi Qiu and Nick Barnes},
journal= {arXiv preprint arXiv:2507.13595},
year = {2025}
}
备注
15 pages, 4 figures