.png){kind=icon}
返回
Deep non-local point cloud denoising network
.png){kind=icon}
PRE
AI
DOI：10.1016/j.asoc.2025.112835.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
作为一种高效的对象表示方法，三维点云在各个应用领域中日益普及。然而，由扫描设备捕获的原始点云通常包含噪声，这显著影响了表面重建和物体识别等下游任务的性能。因此，点云去噪已成为几何建模与处理中的关键任务。尽管深度学习在此领域已被证明有效，但现有的基于学习的方法主要关注局部信息，并倾向于忽略三维点云中固有的非局部特征。在本文中，我们提出了一种深度非局部点云去噪网络DnPCD-Net，以解决这一问题。DnPCD-Net由三个关键组件组成：1）一个特征提取模块，用于提取每个点的局部特征；2）一个密集连接的Transformer模块，用于捕获输入点集和特征通道间的长距离依赖关系；以及3）一个特征融合模块，用于自适应地结合局部和非局部特征。在合成数据集和真实扫描数据集上的大量实验表明，DnPCD-Net实现了卓越的去噪性能，在Chamfer Distance和Earth Mover's Distance指标上取得了具有统计学显著性的提升，同时视觉效果更佳，证实了其在实际应用中的有效性和鲁棒性。
Keyword:
Point cloud
Denoising
Non-local network
3D deep learning
期刊
IF:
6.6
论文数:
1.4W
被引数:
4.8W
机构
暂无机构信息
引用论文
.png){kind=icon}
Structure-Aware Denoising for Real-world Noisy Point Clouds with Complex Structures具有复杂结构的真实噪声点云的结构感知去噪
PREAI
分享收藏分享收藏
查看更多内容