[논문 리뷰] 3D Point Cloud Denoising via Deep Neural Network based Local Surface Estimation
이 논문은 신경망을 통해 국소 기준 평면을 추정하여 노이즈가 있는 점들을 매끄러운 표면으로 투영함으로써 최신 기술 수준의 성능을 달성하는 딥러닝 기반 3D 점군 정제 방법인 신경망 기반 투영 정제(Neural Projection Denoising, NPD)를 제안한다. 기존 방법들보다 변동성이 낮으며, 반복적 다중 투영 또는 수동으로 정의된 이웃 영역 선택이 필요 없이, 한 번의 통과로 국소 및 전역 특징을 활용하여 강인한 법선 추정과 정제를 수행한다.
We present a neural-network-based architecture for 3D point cloud denoising called neural projection denoising (NPD). In our previous work, we proposed a two-stage denoising algorithm, which first estimates reference planes and follows by projecting noisy points to estimated reference planes. Since the estimated reference planes are inevitably noisy, multi-projection is applied to stabilize the denoising performance. NPD algorithm uses a neural network to estimate reference planes for points in noisy point clouds. With more accurate estimations of reference planes, we are able to achieve better denoising performances with only one-time projection. To the best of our knowledge, NPD is the first work to denoise 3D point clouds with deep learning techniques. To conduct the experiments, we sample 40000 point clouds from the 3D data in ShapeNet to train a network and sample 350 point clouds from the 3D data in ModelNet10 to test. Experimental results show that our algorithm can estimate normal vectors of points in noisy point clouds. Comparing to five competitive methods, the proposed algorithm achieves better denoising performance and produces much smaller variances.
연구 동기 및 목표
- 노이즈, 곡률 변화, 다양한 샘플링 밀도가 존재하는 환경에서 3D 점군 정제 문제를 해결하기 위해.
- 국소 기하 구조 추정에 대해 수동으로 정의된 이웃 영역 또는 고유분해(eigendecomposition)에 의존하지 않기 위해.
- 노이즈가 있는 점군으로부터 직접 기준 평면을 추정하여 정확한 표면 투영을 수행하는 딥러닝 기반 방법을 개발하기 위해.
- 네트워크 아키텍처에 국소 및 전역 맥락 정보를 통합하여 정제 성능을 향상시키기 위해.
- 다양한 물체 카테고리와 노이즈 수준에서 변동성이 최소화된 강인하고 안정적인 정제를 달성하기 위해.
제안 방법
- 각 점에 대해 국소 및 전역 특징을 사용하여 신경망을 훈련시켜 노이즈가 있는 3D 점군의 법선 벡터와 평면 절편(기준 평면)을 예측한다.
- 점군 기반(PointNet-based) 아키텍처를 사용하여 국소 이웃 영역과 전역 맥락의 특징을 추출함으로써 국소 표면 기하 구조를 공동으로 추정한다.
- 노이즈가 있는 점들이 추정된 기준 평면에 투영되어 매끄럽고 연속적인 표면 위에 위치하는 정제된 점들을 생성한다.
- 혼합 손실 함수는 MSE(점 대 점 일치)와 카프만 거리(평면 대 평면 일치)를 조합하며, 두 목표를 균형 잡기 위해 가중치 파라미터 α를 사용한다.
- 모델은 ShapeNet의 40,000개 점군과 ModelNet10의 350개 점군을 사용하여 훈련 및 테스트하며, 증가하는 α 값에 따라 점진적 훈련을 수행한다.
- 전역 특징 주입은 국소 이웃 영역을 초월한 구조적 맥락을 제공함으로써 성능을 크게 향상시킨다.
실험 결과
연구 질문
- RQ1정의된 이웃 영역에 의존하지 않고도 딥러닝 신경망이 3D 점군 정제를 위한 기준 평면을 효과적으로 추정할 수 있는가?
- RQ2국소 표면 추정에 전역 맥락을 통합할 경우 노이즈 강도와 곡률 변화에 대해 강인성이 향상되는가?
- RQ3다중 투영 기반 기준 모델인 WMP에 비해 변동성이 줄어든 단일 투영 정제 방법이 성능을 뛰어넘을 수 있는가?
- RQ4점별 일치(MSE)와 표면별 일치(CD) 간의 균형이 정제 성능에 어떤 영향을 미치는가?
- RQ5제안된 방법이 다양한 물체 카테고리와 노이즈 수준에서 얼마나 일반화되는가?
주요 결과
- NPD는 MSE 및 CD 지표 기준 7개 카테고리(소파, 침대, 화장실 등)에서 BF, PDE, GBD, NLD, WMP 등 5개의 경쟁 기법보다 모두 뛰어난 성능을 보였다.
- 모든 카테고리와 평가 지표에서 가장 낮은 변동성을 기록하여 뛰어난 안정성과 강인성을 입증했다.
- 소파 카테고리의 경우, NPD는 MSE 0.627과 CD 0.7670을 달성했으며, 국소 특징만을 사용할 경우 10.845 MSE와 10.4758 CD에 못 미치는 성능을 보였다.
- 전역 특징을 포함시킴으로써 국소 특징만 사용하는 모델 대비 MSE 및 CD 오차가 최대 한 계단 감소했다.
- α가 0.1에서 0.9로 증가함에 따라 MSE는 감소하고 CD는 증가함을 확인하여 손실 함수가 점별 및 표면별 일치를 효과적으로 균형 잡는 것으로 확인되었다.
- 증가하는 α 값으로 훈련된 모델은 최적의 성능을 달성했으며, 점진적 훈련이 일반화 능력과 정제 정확도를 향상시킨다는 점을 보여주었다.
더 나은 연구,지금 바로 시작하세요
논문 읽기부터 검토까지, 연구 시간을 획기적으로 줄여보세요.
카드 등록 없음 · 무료 플랜 제공
이 리뷰는 AI가 만들고, 인간 에디터가 검토했습니다.