.png){kind=icon}
返回
Adaptive and Iterative Point Cloud Denoising with Score-Based Diffusion Model
.png){kind=icon}
PRE
AI
DOI：10.1111/cgf.70149.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
点云去噪任务旨在从带有不同级别或模式的噪声的扫描数据中恢复干净的点云。最近的最先进方法通常训练深度神经网络来更新点位置以接近干净的点云，并在经验上重复去噪过程若干次以获得去噪结果。如何高效安排迭代去噪过程以处理不同级别或模式的噪声尚不明确。在本文中，我们提出了一种基于分数扩散模型的自适应迭代点云去噪方法。对于给定的带噪点云，我们首先估计噪声变化并确定具有适当步长的自适应去噪计划，然后调用训练好的网络按照自适应计划迭代更新点云。为促进这种自适应和迭代去噪过程，我们设计了网络架构和用于网络训练的两阶段采样策略，以实现迭代去噪中的特征融合和梯度融合。与最先进的点云去噪方法相比，我们的方法能够获得干净且平滑的去噪点云，同时更好地保持形状边界和细节。我们的结果不仅在定性上和定量上均优于其他方法，而且在带有不同噪声模式的合成数据集以及真实扫描数据集上也表现更优。
Keyword:
modelling
point-based graphics
point cloud denoising
期刊
IF:
2.9
论文数:
571
被引数:
1.1W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容