UGD：用于评估真实世界噪声点云去噪的无监督几何距离
计算机视觉与模式识别
2026-04-21 v1 图形学
摘要
点云去噪是真实世界点云应用中的一个基本且关键的挑战。现有的量化评估指标以监督方式实现，需要计算denoised point cloud和对应的ground-truth clean point cloud之间的数据几何距离。这一要求在真实世界场景中具有问题，因为ground-truth clean point cloud往往不可用。本文提出一种简单且有效的无监督几何距离（Unsupervised Geometric Distance，UGD）用于真实世界噪声点云去噪，仅从噪声点云中计算。UGD的核心思想是从一组干净点云中学习patch-wise先验模型，然后将其作为ground-truth来量化通过测量去噪后点云在patch空间中的几何变异来衡量降解。为此，我们首先通过从一组原始干净点云中提取的patch-wise质量感知特征学习一个原始高斯混合模型（GMM），该模型作为量化评估的ground-truth。然后，定义UGD为去噪后点云每个patch与所学的原始GMM模型之间距离的加权和。为训练所用的patch-wise特征提取网络，我们提出了一种通过多任务学习实现的自监督训练框架，包括配对质量排序、失真分类和失真分布预测。定量实验用合成噪声确认，所提出的UGD在性能上与监督的全参考指标相当。此外，实验结果表明，所提出的UGD使我们能够仅基于噪声点云对点云去噪方法进行无监督评估。
引用
@article{arxiv.2604.16976,
title = {UGD: An Unsupervised Geometric Distance for Evaluating Real-world Noisy Point Cloud Denoising},
author = {Zhiyong Su and Jincan Wu and Yonghui Liu and Zheng Li and Weiqing Li},
journal= {arXiv preprint arXiv:2604.16976},
year = {2026}
}
备注
to be published in IEEE Transactions on Visualization and Computer Graphics