双阶段双分支模型的三维点云去噪
Abstract
目的三维点云数据在三维重建、自动驾驶等领域有着广泛应用，然而由于传感器设备受限和环境因素，点云数据不可避免地受到噪声影响，降低了数据质量，进而影响了后续处理和分析的准确性。现有的基于深度学习的点云去噪主流方法大多采取单阶段单分支去噪流程，导致模型学习到的特征的表达能力有限，难以捕捉点云复杂的结构信息。因此，提出一种双阶段双分支模型用于三维点云去噪，旨在获得综合点云特征。方法阶段1：利用双分支编码器提取点云块局部和全局特征，并用交叉注意力融合；阶段2：利用注意力机制增强阶段1特征，聚焦强特征表达。最终，加权融合两阶段解码位移，指导点云去噪。结果在3个数据集上与较新的6种方法进行比较，在PUNet（point cloud upsampling network）数据集上，相比Pointfilter取得3个最佳性能、2个次佳性能，双分支双编码器模型取得6个最佳性能、3个次佳性能；在PCNet（point clean network）数据集上，相比于IterativePFN取得2个最佳性能、6个次佳性能，双分支双编码器模型取得7个最佳性能、3个次佳性能；在Kinect_v1数据集上，相比于同期最优模型，双阶段双分支模型在两种指标上取得次佳效果，整体达到最佳。结论本文所提出的双阶段双分支模型的三维点云去噪，解决了点云数据块局部特征和全局特征的提取和融合问题，实现了更好的去噪效果。
Fields of Study & Subjects
3D Shape Modeling and Analysis
Advanced Neural Network Applications
Computer Graphics and Visualization Techniques
Publication details
- Journal / source
- Journal of Image and Graphics
- Volume
- 31
- Issue
- 1
- Pages
- 261–272
- Publication date
- 1 January 2026
- Language
- EN