[论文解读] Non-Local Part-Aware Point Cloud Denoising

Chao Huang, Ruihui Li+2 more|arXiv (Cornell University)|Mar 14, 2020

3D Shape Modeling and Analysis参考文献 41被引用 8

一句话总结

本文提出了一种非局部、部分感知的深度学习框架，用于3D点云去噪，通过基于图注意力的非局部学习单元（NLU）捕捉整个点云中语义相关的特征，利用非局部自相似性。通过级联NLU并引入语义部分损失与表面重建损失，该方法在合成数据和真实扫描数据上均实现了最先进性能，显著减少了噪声，同时保留了精细的几何细节，并避免了散射伪影。

ABSTRACT

This paper presents a novel non-local part-aware deep neural network to denoise point clouds by exploring the inherent non-local self-similarity in 3D objects and scenes. Different from existing works that explore small local patches, we design the non-local learning unit (NLU) customized with a graph attention module to adaptively capture non-local semantically-related features over the entire point cloud. To enhance the denoising performance, we cascade a series of NLUs to progressively distill the noise features from the noisy inputs. Further, besides the conventional surface reconstruction loss, we formulate a semantic part loss to regularize the predictions towards the relevant parts and enable denoising in a part-aware manner. Lastly, we performed extensive experiments to evaluate our method, both quantitatively and qualitatively, and demonstrate its superiority over the state-of-the-arts on both synthetic and real-scanned noisy inputs.

研究动机与目标

• 解决局部感受野方法在点云去噪中无法保留精细几何细节和处理散射噪声的局限性。
• 通过建模远距离区域之间的长程、语义相关特征，利用3D点云中固有的非局部自相似性。
• 通过引入部分感知损失，引导预测结果与相关物体部分对齐，提升去噪保真度。
• 在多种噪声水平和数据类型（包括真实扫描点云）下实现鲁棒性能。
• 通过消融实验和超参数分析，平衡去噪性能与计算效率。

提出的方法

• 提出一种非局部学习单元（NLU），采用自定义图注意力模块，在整个点云上计算非局部、上下文感知的特征表示。
• 级联多个NLU，逐步从输入中提取噪声，实现分层特征优化。
• 引入语义部分损失，对齐预测结果与物体部分，增强部分感知去噪能力。
• 将语义部分损失与标准表面重建损失结合，联合优化几何保真度与结构一致性。
• 在NLU中采用基于K-NN的图注意力机制，动态加权来自远距离、语义相似点的贡献。
• 采用多阶段训练策略，并结合消融实验，验证各组件贡献与超参数选择（如K=16，4个NLU）。

实验结果

研究问题

• RQ1 非局部、部分感知的特征学习是否能超越局部感受野方法，在点云去噪中实现更优性能？
• RQ2 在远距离区域之间建模长程、语义相关的特征，对去噪质量与几何细节保留有何影响？
• RQ3 部分感知损失在多大程度上提升了去噪点与底层物体结构的对齐程度？
• RQ4 在性能与效率之间取得平衡时，NLU的最佳数量和邻域大小（K）是多少？
• RQ5 所提方法在合成与真实扫描点云上与最先进方法相比表现如何？

主要发现

• 完整模型（包含NLU、部分损失、级联NLU）在1.5%噪声的合成数据上达到最低的Chamfer距离（CD）2.31 × 10⁻⁴，优于所有基线方法。
• 移除图注意力单元后，所有K设置下的CD值显著升高，证明其在选择相关非局部特征中的关键作用。
• K从较小值增至20可提升性能，且在K=20时收敛，因此选择K=16以在精度与效率间取得平衡。
• 使用五个NLU的CD为2.30 × 10⁻⁴，略优于四个NLU的2.31 × 10⁻⁴，但参数量更高（55.7K vs. 44.6K），因此选择四个NLU更具合理性。
• 该方法显著减少了散射伪影，并在保留锐利边缘方面优于PointCleanNet和TotalDenoising，尤其在真实扫描数据（如Paris-rue-Madame）上表现更优。
• 消融实验表明，部分感知损失与NLU模块均独立贡献性能提升，当两者同时加入时提升最大。