[论文解读] Denoising a Point Cloud for Surface Reconstruction

Siu-Wing Cheng, Man-Kit Lau|arXiv (Cornell University)|Apr 13, 2017

3D Shape Modeling and Analysis参考文献 24被引用 7

一句话总结

本文提出了一种快速、鲁棒的无组织点云去噪方法，能有效处理高密度白噪声、聚类异常值和大范围噪声扰动，且无需依赖表面法线估计或表面拟合。该方法采用基于八叉树的聚类、对扰动进行统计滤波，并在稀疏点集上实施无网格拉普拉斯平滑，相比现有表面重建代码，在去噪鲁棒性和计算效率方面表现更优。

ABSTRACT

Surface reconstruction from an unorganized point cloud is an important problem due to its widespread applications. White noise, possibly clustered outliers, and noisy perturbation may be generated when a point cloud is sampled from a surface. Most existing methods handle limited amount of noise. We develop a method to denoise a point cloud so that the users can run their surface reconstruction codes or perform other analyses afterwards. Our experiments demonstrate that our method is computationally efficient and it has significantly better noise handling ability than several existing surface reconstruction codes.

研究动机与目标

• 解决后续表面重建中，对具有高密度白噪声、聚类异常值和大范围扰动的无组织点云进行去噪的挑战。
• 开发一种计算高效且对极端噪声水平具有鲁棒性的方法，包括超过100%的白噪声和相对于包围盒尺寸2%的扰动。
• 消除对精确表面法线估计的依赖，因为这会使现有方法变得脆弱。
• 即使在严重污染条件下，也能保持拓扑正确性和表面质量，从而确保与下游重建算法的可靠集成。
• 提供一个预处理流程，提升如Robust Cocone等表面重建代码在噪声数据上的性能。

提出的方法

• 采用新颖的八叉树分解对数据点进行聚类，将最大聚类（或聚类组）视为目标表面，其余作为噪声或异常值予以移除。
• 对八叉树单元格进行统计分析，以滤除具有大范围噪声扰动的点，将此步骤与最终的平滑处理分离。
• 基于剩余数据点构建更稀疏的点集，以降低计算成本，并避免在平滑过程中因密度差异导致的漂移。
• 通过将邻域点分组并为每组选择一个代表性点，在稀疏点集上执行无网格拉普拉斯平滑，确保分布均匀且稳定。
• 避免表面拟合、法线估计或隐式函数构建，从而简化流程，提升速度与鲁棒性。
• 采用迭代优化：首先去除大范围扰动和异常值，再对剩余更清洁的点集应用平滑处理，以防止因采样不均导致的漂移。

实验结果

研究问题

• RQ1 能否在不依赖表面法线的情况下，有效处理超过100%白噪声和聚类异常值的去噪问题？
• RQ2 如何对点云进行去噪，以在极端噪声水平下（包括相对于包围盒直径2%的扰动）保持拓扑结构和表面质量？
• RQ3 在稀疏化点集上采用无网格拉普拉斯平滑方法，是否能优于直接对原始点集进行平滑的传统方法？
• RQ4 将异常值去除与扰动滤波分离，是否能提升鲁棒性并防止平滑过程中的漂移？
• RQ5 该方法是否能在保持高精度的同时，对具有复杂结构的真实世界噪声扫描数据实现计算高效？

主要发现

• 所提方法成功对白噪声高达100%、扰动为2%的点云进行了去噪，在高噪声条件下优于现有表面重建代码（如Robust Cocone、AMLS和Sign-the-Unsigned）。
• 在1%和2%高斯噪声的实验中，该方法在Chair和Happy Buddha数据集上保持了正确的拓扑结构，而Robust Cocone、AMLS和Sign-the-Unsigned均出现失败。
• 对于Dragon数据集，该方法在0.5%噪声下产生损坏输出，但这是由于去噪后残留扰动所致，表明仅靠滤波不足以解决问题。
• 在60–100%均匀分布的白噪声和概率性聚类异常值条件下，该方法保持了正确的拓扑结构和表面质量，而Sign-the-Unsigned在除Armadillo和Bunny外的所有数据集上均失败。
• 执行时间保持合理，即使在高噪声条件下，该方法在大型数据集（如Dragon，270万个点）上也于10分钟内完成，优于较慢的替代方案。
• 该方法在Ramesses和wFish等复杂模型上表现出鲁棒性，尽管由于激进的点删除导致采样不足，出现了一些凹陷和孔洞。