基于细粒度动态图卷积网络的数据驱动点云去噪
计算机视觉与模式识别
2024-11-22 v1
摘要
由于获取设备的局限性，噪声扰动常常损坏三维点云，阻碍后续任务，如表面重建、渲染和进一步处理。现有的三维点云去噪方法通常无法可靠地拟合底层连续表面，导致重建性能下降。本文引入细粒度动态图卷积网络 GD-GCN，以一种新颖的方法进行三维点云去噪。GD-GCN 采用微步骤时序图卷积 (MST-GConv) 以渐进方式进行特征学习。与常用的离散整数步图卷积相比，这一修改引入了更具可适应性和细致性的特征学习方法。它更准确地描绘了将带噪点云拟合到底层表面的过程，而 MST-GConv 的学习过程类似于一个变化的系统，通过一种称为神经偏微分方程 (PDEs) 的神经网络进行管理。这意味着它能够随时间适应和改进。GD-GCN 对黎曼度量进行近似，通过沿低维流形计算点之间的距离，这一能力使其能够理解局部几何结构，并通过基于黎曼距离的几何图构建有效捕获来自不同几何区域的点之间的多样化关系。此外，GD-GCN 采用基于伯恩斯坦多项式近似的鲁棒图谱滤波器，对特征值进行调制，以实现复杂且任意的谱响应，为 BIBO 稳定性提供理论保证。对称通道混合矩阵进一步通过实现谱域中的通道级缩放和平移，增强了滤波器的灵活性。
引用
@article{arxiv.2411.14158,
title = {Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks},
author = {Wenqiang Xu and Wenrui Dai and Duoduo Xue and Ziyang Zheng and Chenglin Li and Junni Zou and Hongkai Xiong},
journal= {arXiv preprint arXiv:2411.14158},
year = {2024}
}