[论文解读] Nonparametric Regression for 3D Point Cloud Learning

Xinyi Li, Shan Yu+4 more|PubMed|Jun 8, 2021

Remote Sensing and LiDAR Applications参考文献 45被引用 4

一句话总结

本文提出了一种基于三角剖分的三元惩罚样条平滑方法（TPST），用于三维点云学习，解决了在不规则域上非参数回归中的‘泄漏’问题。通过利用基于方向导数的惩罚项和多元样条，该方法实现了精确去噪、多分辨率重建和数据压缩——在将510,340个体素的点云压缩为4,856个样条系数时，峰值信噪比达到30.76，且实现了最优的非参数收敛速率。

ABSTRACT

In recent years, there has been an exponentially increased amount of point clouds collected with irregular shapes in various areas. Motivated by the importance of solid modeling for point clouds, we develop a novel and efficient smoothing tool based on multivariate splines over the triangulation to extract the underlying signal and build up a 3D solid model from the point cloud. The proposed method can denoise or deblur the point cloud effectively, provide a multi-resolution reconstruction of the actual signal, and handle sparse and irregularly distributed point clouds to recover the underlying trajectory. In addition, our method provides a natural way of numerosity data reduction. We establish the theoretical guarantees of the proposed method, including the convergence rate and asymptotic normality of the estimator, and show that the convergence rate achieves optimal nonparametric convergence. We also introduce a bootstrap method to quantify the uncertainty of the estimators. Through extensive simulation studies and a real data example, we demonstrate the superiority of the proposed method over traditional smoothing methods in terms of estimation accuracy and efficiency of data reduction.

研究动机与目标

• 为解决在不规则形状点云上的3D非参数回归中，传统方法在复杂边界处错误地跨边界借用信息所导致的‘泄漏’问题。
• 开发一种稳健且高效的平滑工具，实现3D点云的去噪与去模糊，同时保留几何结构，并支持多分辨率重建。
• 通过仅用少量样条系数表示密集点云，实现显著的数据压缩，且不损失信号保真度。
• 为所提出的估计器提供理论保证，包括收敛速率和渐近正态性。
• 利用自助法量化平滑估计中的不确定性。

提出的方法

• 该方法在3D域的四面体三角剖分上使用三元惩罚样条，基于网格上的基函数表示潜在信号。
• 引入基于方向导数的惩罚函数，以控制平滑性并防止在复杂域边界处发生泄漏。
• 通过最小化惩罚最小二乘准则推导平滑估计器，利用正则化参数在数据保真度和平滑性之间取得平衡。
• 解表示为基函数的线性组合，其系数通过涉及基函数Gram矩阵和惩罚项的方程组求解。
• 通过调整三角剖分分辨率和光滑参数，该方法天然支持多分辨率分析。
• 应用自助程序以估计平滑估计器的方差，并量化重构信号中的不确定性。

实验结果

研究问题

• RQ1 非参数平滑方法能否有效缓解在不规则域上3D点云回归中的‘泄漏’问题？
• RQ2 所提出的TPST方法是否在3D信号估计中实现了最优的非参数收敛速率？
• RQ3 该方法在多大程度上可实现数据量的显著压缩，同时保持信号保真度和几何特征？
• RQ4 该方法在稀疏且分布不规则的3D点云上，去噪或去模糊的效果如何？
• RQ5 自助法能否可靠地量化3D域不同区域中估计信号的不确定性？

主要发现

• 所提出的TPST方法在3D信号估计中实现了最优的非参数收敛速率，与理论下界一致。
• 通过使用尊重复杂域边界的基于方向导数的惩罚项，该方法有效消除了‘泄漏’问题。
• 在真实世界示例中，该方法将510,340个体素的图像点云压缩为仅4,856个样条系数，峰值信噪比达30.76。
• 自助法成功量化了平滑估计器的不确定性，其理论基础为渐近正态性。
• 该方法支持多分辨率重建，可灵活权衡细节与平滑性。
• 理论分析表明，偏差项与标准误相比可忽略不计，支持估计器的渐近正态性。