PointCleanNet翻译

摘要

用三维扫描仪或通过基于图像的重建技术获得的点云通常会被大量的噪声和异常值所破坏。传统的点云去噪方法在很大程度上依赖于局部表面拟合(例如，jets or
MLS surfaces)、局部或非局部平均，或关于底层噪声模型的统计假设。相比之下，我们开发了一种简单的数据驱动（ data-driven）的方法来消除异常值和减少无序点云中的噪声。我们的方法基于一种基于PCPNet的深度学习架构，最近提出了它用于估计点云中的局部三维形状性质。我们的方法首先对离群点样本进行分类和丢弃，然后估计校正向量，将噪声点投射到原始的干净表面。该方法对不同数量的噪声和离群点是有效和健壮的，同时能够处理大的密集采样点云。在我们的广泛评估中，无论合成和真实数据，我们显示了与各种最先进的方法相比，对强噪声水平的鲁棒性增强，能够从范围扫描获得的极端噪声真实数据进行精确的表面重建。最后，我们的方法的简单性和普遍性使它非常容易集成到任何现有的几何处理中。代码和预训练的网络都可以在项目页面上找到。
1.Introduction
直接从采集设备获得的原始三维点云，例如激光扫描仪或作为重建算法的输出（例如基于图像的重建），经常被噪音和异常值所污染。大多数几何处理工作流的第一阶段通常包括通过丢弃异常点样本和剩余点去噪以显示（未知）扫描表面。然后干净输出用于表面重建、形状匹配、模型检索等一系列应用。
任何一个好的点云清理算法都应该（1）去噪和特征保存之间的平衡，即保留底层扫描表面的锐利边缘和局部细节同时去除离群点和噪声，保持数据保真度。（2）自协调，即不需要作为噪声模型的精确估计或未知扫描表面的统计数据（例如局部表面类型或曲率特征）。（3）对点集应用的置换和刚性变换保持不变，即去噪的输出不应取决于扫描的角度或坐标系的选择。（4）避免不必要地减少输入，即如果输入碰巧是无噪声的，则将点留在扫描表面。请注意，最后一个标准意味着，如果该算法被多次迭代，那么该算法不应该过度平滑输出。
几十年的研究已经产生了许多针对不同表面类型和噪声模型的不同去噪方法（参考文献）。这些方法可以广泛地分类为：使用统计方法将点分类为异常值；估计的局部曲面的投影点（比如MLS surface, jet-fitting等）；合并相似的块来消除独立同分布的噪音扰动（例如非局部均值，基于字典的稀疏编码）；使用辅助输入信息进行局部平滑（例如双边平滑处理）。不幸的是，在这些方法中没有一个赢家。算法的选择及其参数通常取决于扫描表面和采集设置的噪声特性。考虑到底层几何结构的复杂性和噪声特征在采集时最多是部分已知的，选择一个具有相关参数的最优算法通常是一个迭代的三角形误差过程。
灵感来自于最近应用深度学习技术进行几何数据分析和处理的成功，特别是为直接在点云上学习而设计的开创性作品Point Net。在这篇文章中，我们提出了Point Clean Net，一个简单的数据驱动的去噪方式。具体来说，我们设计了一个基于最近提出的PCPNet体系结构的两阶段的点云清洁网络，以估计局部特征的健壮性，并利用这些信息对点云进行去噪。在训练时，从一组形状中提取的各种表面块都具有异常值和不同大小的噪声（包括零噪声）。然后使用这个人为损坏的集来训练POINTCLEANNET。我们的两阶段方法首先去除离群点样本，然后估计其余点的校正向量。图1显示了来自ETHZ数据集中的原始真实世界扫描点云的示例。
该过程由一种新的损失函数，它可以有效地清理点集，而不需要关于底层表面或噪声特征的明确信息。直观地说，该网络基于从相应的原始点集中提取的估计特征，学习识别局部无噪声块，并提出了每个点校正向量。换句话说，网络以局部学习特征的形式隐式地构建一个局部曲面块的字典，并使用它将输入点分类为异常值，并将其余的输入点投影到字典块的集合上。在测试时，我们的去噪网络直接消耗原始的输入点云，分类和丢弃异常值测量，并将剩余的点去噪。该方法训练和使用简单，不期望用户提供参数来表征表面或噪声模型。此外，与传统方法不同，我们的去噪网络可以很容易地适应特定形状族和非标准噪声模型。与其他数据驱动技术类似，我们的框架是基于成对的噪声清洁数据，我们在训练过程中合成生成，因此在不太可能出现显著不同的测试噪声时成功。
我们在一系列的合成数据集和真实噪音数据集上对POINTCLEANNET进行了定性和定量的评估。在我们广泛的测试中，我们的方法在形状和中到高噪声的变化上都比各种最先进的去噪的方法（即使是手动调优的参数）表现得更好。此外，我们的方法的简单性和普遍性使得在任何现有的几何处理工作流中集成非常容易。
2.相关工作
点云去噪和离群值去除在计算机科学的不同领域有着悠久而丰富的历史，一个完整的概述超出了当前文章的范围。下面，我们简要回顾了解决这些问题的主要总体趋势，同时集中关注与我们最密切相关的解决方案，并向感兴趣的读者参考最近