.png){kind=icon}
返回
Denoise yourself: Self-supervised point cloud upsampling with pretrained denoising
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.126638.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究提出了一种新颖的点云上采样自监督方法，集成了预训练的去噪阶段以增强最终上采样点云的质量和精度。大多数点云上采样方法依赖监督学习，需要大量数据集和复杂的参数调优。相比之下，我们的方法利用自采样技术来减少对大规模标注数据集的需求，并通过专门的去噪预训练阶段解决固有噪声问题。我们使用PU1K数据集评估了该方法的表现，结果表明相较于基线方法，该方法在噪声减少和几何特征保持方面均有显著提升。我们提出的多元目标预训练方法在曲率和密度整合策略的所有性能指标上均优于现有方法，特别是在使用相对较多点数时。此外，消融研究证实，多元目标预训练方法比传统方法在更少的微调迭代次数下即可实现更优性能。实验表明，所提方法有效平衡了数据效率与上采样质量之间的权衡，使其成为各类3D应用的稳健解决方案。
Keyword:
Point cloud upsampling
Pretrained denoising
Self-supervised learning
Self-sampling
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
暂无机构信息
引用论文
.png){kind=icon}
PointClustering: Unsupervised Point Cloud Pre-training using Transformation Invariance in Clustering
PREAI
分享收藏S3U-PVNet: Arbitrary-scale point cloud upsampling via Point-Voxel Network based on Siamese Self-Supervised LearningS³U-PVNet：基于Siamese Self-Supervised Learning的点-体素网络任意尺度点云上采样
PREAI
分享收藏
查看更多内容