论文阅读（6）：Deep Point Set Resampling via Gradient Fields

Deep Point Set Resampling via Gradient Fields

地址链接

---

`

---

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、INTRODUCTION

点云重采样可以应用于点云去噪以及点云上采样等。（包括基于优化的方法以及深度学习的方法）

二、RELATED WORKS

1.点云去噪方法

包括了局部表面拟合的方法：双边滤波等。

局部最优投影的方法：LOP+WLOP。
稀疏优化的方法。

基于图的方法。

基于密度的方法。

以及深度学习的方法。

2.点云上采样方法

基于优化的方法：例如构建维诺图，在维诺图插入顶点。

以及专注于缺失部分的上采样。

以及深度学习方法。

三、POINT SET RESAMPLING MODEL

Y是未退化点云，p是点云分布，X是退化点云，H是退化函数，N是躁动。

那么梯度可以近似表示为右上角图中所示。
梯度量化表示为g(x)

为了保证模型连续性。作者定义了分布：

引入正则化，可以防止过拟合，例如图拉普拉斯

将7 和8带入6，求导可解Z

四、POINT SET RESAMPLING ALGORITHM

下图为计算梯度场的网络流程

这里作者并非直接使用每个点的k近邻，而是从全局采样点集后，再进行计算k近邻

伪代码如下：

将梯度场引用于采样：
采用迭代的链式方法，直到系数组a收敛则可以停止。
这里采用了GLR和RGLR两种方法。

伪代码如下：

四、POINT CLOUD DENOISING

DATASETS:目前作者没有公开数据集
对数据集加了不同类型噪声：
isotropic Gaussian noise, Laplace noise, discrete noise,
anisotropic Gaussian noise, uni-directional Gaussian noise,
uniform noise, simulated Lidar noise, as well as real-world noise.

定量评估指标：

定性评估：

每10步，去噪效果以及梯度场的改变如图：

消融实验如下：

上采样策略：1。对同一模型扰动m次 2。使用pu-gan的类似网络。

可视化结果：

不同次迭代：

不同上采样比例：