[论文解读] PointCleanNet: Learning to Denoise and Remove Outliers from Dense Point Clouds

Marie‐Julie Rakotosaona, Vittorio La Barbera+3 more|UCL Discovery (University College London)|Jan 4, 2019

Optical measurement and interference techniques参考文献 50被引用 36

一句话总结

PointCleanNet 使用两阶段深度学习方法，先去除离群点再去噪稠密点云，在不同噪声水平下提高鲁棒性且无需用户调参。

ABSTRACT

Point clouds obtained with 3D scanners or by image-based reconstruction techniques are often corrupted with significant amount of noise and outliers. Traditional methods for point cloud denoising largely rely on local surface fitting (e.g., jets or MLS surfaces), local or non-local averaging, or on statistical assumptions about the underlying noise model. In contrast, we develop a simple data-driven method for removing outliers and reducing noise in unordered point clouds. We base our approach on a deep learning architecture adapted from PCPNet, which was recently proposed for estimating local 3D shape properties in point clouds. Our method first classifies and discards outlier samples, and then estimates correction vectors that project noisy points onto the original clean surfaces. The approach is efficient and robust to varying amounts of noise and outliers, while being able to handle large densely-sampled point clouds. In our extensive evaluation, both on synthesic and real data, we show an increased robustness to strong noise levels compared to various state-of-the-art methods, enabling accurate surface reconstruction from extremely noisy real data obtained by range scans. Finally, the simplicity and universality of our approach makes it very easy to integrate in any existing geometry processing pipeline.

研究动机与目标

• 降低对参数化的传统去噪方法在多样化的3D点云噪声中的依赖的动机。
• 开发一个数据驱动、鲁棒的清理管道，处理无序、稠密点云中的离群点和噪声。
• 利用两阶段网络将离群点移除与去噪分离，并实现迭代细化。
• 在合成数据和真实数据上，与最先进的基线相比，展示去噪和离群点移除的改进。

提出的方法

• 两阶段架构：第一阶段是本地离群检测网络以丢弃离群点，第二阶段网络估计每个点的位移向量以进行去噪。
• 基于对 PCPNet 架构的适配，使其在每个点周围的局部补丁上工作。
• 损失函数在靠近表面和正则化之间取得平衡，以维持均匀点分布并避免聚簇。
• 通过迭代去噪网络逐步减少残留噪声并改善收敛。
• 训练使用合成污染的成对带噪-清洁数据，以学习分类离群点并预测位移。
• 该方法是置换和变换不变的，设计用于在稠密点云上工作且不需要大量参数调优。

实验结果

研究问题

• RQ1 一个两阶段、数据驱动的网络是否能够在没有用户指定噪声模型的情况下可靠地移除离群点并去噪稠密点云？
• RQ2 对 PointCleanNet 的迭代应用是否在不同噪声水平和伪影下提高去噪性能？
• RQ3 在合成和真实数据集上，PointCleanNet 与传统和基于学习的基线在去噪精度和离群点检测方面的表现如何？
• RQ4 该方法对不同表面类型是否鲁棒，且在没有额外表面信息的情况下能否保留高曲率特征？

主要发现

• PointCleanNet 在一系列噪声水平下显示出改进的去噪性能，在迭代时超越若干基线。
• 该方法对强噪声和离群点具有鲁棒性，在噪声变化方面的稳定性优于最先进方法。
• 离群点移除和去噪是在不需要用户调参的前提下实现的，利用学习的局部补丁和改编的损失。
• 定性与定量结果表明，在真实世界扫描数据上的残差误差低于竞争方法。
• 该方法易于整合到现有几何处理工作流，适用于稠密点云。