[论文解读] 3D Point Cloud Denoising via Deep Neural Network based Local Surface Estimation

Chaojing Duan, Siheng Chen+1 more|arXiv (Cornell University)|Apr 9, 2019

3D Shape Modeling and Analysis参考文献 22被引用 4

一句话总结

本文提出神经投影去噪（NPD），一种基于深度学习的3D点云去噪方法，通过神经网络估计局部参考平面，将噪声点投影到平滑曲面上，实现了比现有方法更低方差的最先进性能。NPD通过同时利用局部和全局特征，在单次前向传播中实现鲁棒的法向量估计与去噪，消除了对迭代多投影或手动邻域选择的依赖。

ABSTRACT

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.

研究动机与目标

• 解决在存在噪声、曲率变化及采样密度差异情况下的3D点云去噪挑战。
• 消除对预定义邻域或特征分解用于局部几何估计的依赖。
• 开发一种基于深度学习的方法，直接从噪声点云中估计参考平面，实现精确的表面投影。
• 通过在网络架构中整合局部与全局上下文信息，提升去噪性能。
• 在多种物体类别与噪声水平下，实现鲁棒、稳定的去噪，且方差最小化。

提出的方法

• 训练一个深度神经网络，利用局部与全局特征，为噪声3D点云中的每个点预测法向量与平面截距（参考平面）。
• 网络采用PointNet架构，从局部邻域与全局上下文提取特征，实现局部表面几何的联合估计。
• 将噪声点投影到估计的参考平面上，生成去噪点，确保所有输出点位于平滑连续的曲面上。
• 采用混合损失函数，结合MSE（点对点匹配）与Chamfer距离（平面对平面匹配），并通过加权参数α平衡两项目标。
• 模型在ShapeNet的40,000个点云上进行训练，并在ModelNet10的350个点云上进行测试，采用逐步增加α值的方式进行训练。
• 全局特征注入显著提升了性能，提供了超越局部邻域的结构上下文信息。

实验结果

研究问题

• RQ1 深度神经网络能否在不依赖预定义邻域的情况下，有效估计用于3D点云去噪的参考平面？
• RQ2 将全局上下文信息整合到局部表面估计中，是否能提升对噪声强度与曲率变化的鲁棒性？
• RQ3 单次投影去噪方法能否在降低方差的同时，超越多投影基线方法（如WMP）的性能？
• RQ4 点对点匹配（MSE）与表面匹配（CD）之间的平衡如何影响去噪性能？
• RQ5 所提出方法在多样化的物体类别与噪声水平下，其泛化能力如何？

主要发现

• 在基于MSE与CD指标的七个类别（如沙发、床、马桶等）中，NPD在五种竞争方法（BF、PDE、GBD、NLD、WMP）中表现最优。
• 所提方法在所有类别与评估指标中均表现出最低方差，证明其具有卓越的稳定性和鲁棒性。
• 在沙发类别中，NPD的MSE为0.627，CD为0.7670，显著低于仅使用局部特征时的10.845 MSE与10.4758 CD。
• 与仅使用局部特征的模型相比，引入全局特征可使MSE与CD误差降低一个数量级。
• 随着α从0.1增加到0.9，MSE下降而CD上升，证实损失函数能有效平衡点对点与表面匹配目标。
• 采用逐步增加α值进行训练的模型达到最优性能，表明渐进式训练可增强泛化能力与去噪精度。