U-CAN：基于一致性感知的无监督点云去噪
计算机视觉与模式识别
2025-10-30 v1
摘要
由扫描传感器捕获的点云常受噪声干扰，对下游任务（如曲面重建和形状理解）产生严重负面影响。以往研究主要依赖带噪声-干净点云配对训练神经网络以学习去噪先验，这需要大量的人工工作。本文引入U-CAN（Unsupervised framework for point cloud denoising with Consistency-Aware Noise2Noise matching），一种基于一致性感知的无监督点云去噪框架。具体而言，我们利用神经网络推断每个点（或场景中每个点）的多步骤去噪路径，通过噪声-噪声匹配方案实现。我们通过一种新型损失函数实现这一目标，使其能够对多个带噪声点云观测进行统计推理。我们进一步引入一种新型约束，用于学习一致性感知的去噪模式。我们证明，该约束是一种通用形式，不局限于3D领域，也可为2D图像去噪提供贡献。在点云去噪、上采样和图像去噪等广泛使用的基准测试上进行的评估表明，U-CAN在无监督方法中显著优于当前最先进的技术，其中还产生了与监督方法相当的性能。
关键词
引用
@article{arxiv.2510.25210,
title = {U-CAN: Unsupervised Point Cloud Denoising with Consistency-Aware Noise2Noise Matching},
author = {Junsheng Zhou and Xingyu Shi and Haichuan Song and Yi Fang and Yu-Shen Liu and Zhizhong Han},
journal= {arXiv preprint arXiv:2510.25210},
year = {2025}
}
备注
Accepted by NeurIPS 2025. Project page: https://gloriasze.github.io/U-CAN/