Deep Point Set Resampling via Gradient Fields
`
文章目录
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: