PCDNF: Revisiting Learning-based Point Cloud Denoising via Joint Normal Filtering

要約

点群ノイズ除去として知られるノイズの多い点群から高品質のサーフェスを復元することは、ジオメトリ処理における基本的でありながら困難な問題である。既存の手法のほとんどは、ノイズの多い入力を直接ノイズ除去するか、生の法線をフィルタリングしてから点位置を更新している。点群ノイズ除去と法線フィルタリングの間の本質的な相互作用に動機づけられ、我々はマルチタスクの観点から点群ノイズ除去を再検討し、ジョイント法線フィルタリングを介して点群をノイズ除去するPCDNFと名付けられたエンドツーエンドネットワークを提案する。特に、補助的な法線フィルタリングタスクを導入することで、ネットワーク全体が、幾何学的特徴をより正確に保持しながら、ノイズをより効果的に除去することを支援する。全体的なアーキテクチャに加えて、我々のネットワークは2つの新しいモジュールを持つ。一方では、ノイズ除去性能を向上させるために、学習された点特徴量と法線特徴量と幾何学的事前分布を総合的に考慮することで、特定の点の潜在的な接線空間表現を構築する形状認識セレクタを設計する。一方、点特徴量は幾何学的な詳細を表現するのに適しており、法線特徴量は幾何学的な構造（鋭いエッジや角など）を表現するのに適している。点特徴量と法線特徴量を組み合わせることで、それぞれの弱点を克服することができる。そこで、我々は、幾何学的情報をより良く復元するために、点特徴量と法線特徴量を融合させる特徴精密化モジュールを設計する。広範な評価、比較、およびアブレーション研究により、提案手法が、点群ノイズ除去および法線フィルタリングの両方において、最先端技術を凌駕することが実証される。

要約(オリジナル)

Recovering high quality surfaces from noisy point clouds, known as point cloud denoising, is a fundamental yet challenging problem in geometry processing. Most of the existing methods either directly denoise the noisy input or filter raw normals followed by updating point positions. Motivated by the essential interplay between point cloud denoising and normal filtering, we revisit point cloud denoising from a multitask perspective, and propose an end-to-end network, named PCDNF, to denoise point clouds via joint normal filtering. In particular, we introduce an auxiliary normal filtering task to help the overall network remove noise more effectively while preserving geometric features more accurately. In addition to the overall architecture, our network has two novel modules. On one hand, to improve noise removal performance, we design a shape-aware selector to construct the latent tangent space representation of the specific point by comprehensively considering the learned point and normal features and geometry priors. On the other hand, point features are more suitable for describing geometric details, and normal features are more conducive for representing geometric structures (e.g., sharp edges and corners). Combining point and normal features allows us to overcome their weaknesses. Thus, we design a feature refinement module to fuse point and normal features for better recovering geometric information. Extensive evaluations, comparisons, and ablation studies demonstrate that the proposed method outperforms state-of-the-arts for both point cloud denoising and normal filtering.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL