[論文レビュー] PointCleanNet: Learning to Denoise and Remove Outliers from Dense Point Clouds

Marie‐Julie Rakotosaona, Vittorio La Barbera+3 more|UCL Discovery (University College London)|Jan 4, 2019

Optical measurement and interference techniques参考文献 50被引用数 36

ひとこと要約

PointCleanNet は、まず外れ値を除去し、次に密な点群をデノイズする二段階の深層学習アプローチを用い、ユーザーが調整するパラメータなしで、さまざまなノイズレベルに対するロバスト性を向上させます。

ABSTRACT

Point clouds obtained with 3D scanners or by image-based reconstruction techniques are often corrupted with significant amount of noise and outliers. Traditional methods for point cloud denoising largely rely on local surface fitting (e.g., jets or MLS surfaces), local or non-local averaging, or on statistical assumptions about the underlying noise model. In contrast, we develop a simple data-driven method for removing outliers and reducing noise in unordered point clouds. We base our approach on a deep learning architecture adapted from PCPNet, which was recently proposed for estimating local 3D shape properties in point clouds. Our method first classifies and discards outlier samples, and then estimates correction vectors that project noisy points onto the original clean surfaces. The approach is efficient and robust to varying amounts of noise and outliers, while being able to handle large densely-sampled point clouds. In our extensive evaluation, both on synthesic and real data, we show an increased robustness to strong noise levels compared to various state-of-the-art methods, enabling accurate surface reconstruction from extremely noisy real data obtained by range scans. Finally, the simplicity and universality of our approach makes it very easy to integrate in any existing geometry processing pipeline.

研究の動機と目的

• 3D 点群の多様なノイズに対して、パラメータ調整済みの従来のデノイズ手法への依存を減らす動機。
• 順序づけられていない密な点群における外れ値とノイズの両方を扱う、データ主導の頑健なクリーニング・パイプラインの開発。
• 外れ値除去とデノイズを分離し、反復的な改良を可能にする二段階ネットワークを活用。
• 合成データと実データの両方で、最先端のベースラインと比較してデノイズと外れ値除去の改善を実証する。

提案手法

• 二段階アーキテクチャ: まず局所的な外れ値検出ネットワークで外れ値を除去し、次にデノイズのために各点の変位ベクトルを推定する第二のネットワーク。
• 各点の周囲の局所パッチで動作するように PCPNet アーキテクチャを適応させたもの。
• 損失関数は表面への近接性と、点の分布を均一に保ちクラスタリングを避ける正則化のバランスを取る。
• デノイズネットワークの反復を用いて、残留ノイズを段階的に減らし収束を改善する。
• 訓練には、外れ値を分類し変位を予測するための、ノイズ付きとクリーンな対になった合成データを使用。
• 本手法は順列不変性・変換不変性を持ち、過度なパラメータ調整なしに密な点群で動作するように設計されている。

実験結果

リサーチクエスチョン

• RQ1 ユーザー指定のノイズモデルを用いずに、二段階のデータ駆動ネットワークが密な点群の外れ値を信頼性高く除去しデノイズできるだろうか？
• RQ2 PointCleanNet の反復適用は、さまざまなノイズレベルやアーチファクトに対してデノイズ性能を向上させるだろうか？
• RQ3 合成データと実データの両方で、デノイズの精度と外れ値検出において、従来手法と学習ベースのベースラインとどのように比較されるか？
• RQ4 本手法は異なる表面タイプに対してロバストで、高曲率特徴を追加の表面情報なしに保持できるか？

主な発見

• PointCleanNet は、ノイズレベルの範囲でデノイズ性能を向上させ、反復した場合にいくつかのベースラインを上回る。
• 本手法は強いノイズと外れ値に対して頑健性を示し、ノイズ変動に対する安定性が最先端手法と比べて向上している。
• 外れ値除去とデノイズは、ユーザー調整パラメータなしで、学習した局所パッチと適応損失を活用して達成される。
• 定性的および定量的な結果は、実世界のスキャンデータにおける残差誤差が競合手法と比較して小さいことを示している。
• この手法は既存のジオメトリ処理パイプラインに容易に統合でき、密な点群に適している。