基于梯度场中动量上升的点云去噪
计算机视觉与模式识别
2023-06-27 v3
摘要
为实现点云去噪，传统方法严重依赖几何先验，且大多数基于学习的方法受离群点与细节丢失的困扰。近来，基于梯度的方法被提出，利用神经网络从含噪点云估计梯度场，并根据估计的梯度细化各点的位置。然而，预测的梯度可能发生波动，导致扰动且不稳定的解，以及较长的推理时间。为解决这些问题，我们发展了动量梯度上升方法，在确定点的轨迹时利用先前迭代的信息，从而提升解的稳定性并减少推理时间。实验表明，所提方法在多种点云、噪声类型与噪声水平下优于当前最优方法。代码见：https://github.com/IndigoPurple/MAG
引用
@article{arxiv.2202.10094,
title = {Point Cloud Denoising via Momentum Ascent in Gradient Fields},
author = {Yaping Zhao and Haitian Zheng and Zhongrui Wang and Jiebo Luo and Edmund Y. Lam},
journal= {arXiv preprint arXiv:2202.10094},
year = {2023}
}
备注
5 pages, 6 figures