- Шумоподавление трехмерного динамического облака точек с помощью пространственно-временного графического обучения (arXiv)
Автор: Вэй Ху, Цяньцзян Ху, Цзехуа Ван, Сян Гао.
Аннотация: Преобладание доступных методов измерения глубины и трехмерного лазерного сканирования позволило удобно получать трехмерные динамические облака точек, которые обеспечивают эффективное представление движущихся объектов произвольной формы. Тем не менее динамические облака точек часто искажаются шумом из-за аппаратных, программных или других причин. В то время как было предложено множество методов для шумоподавления статических облаков точек, мало усилий было предпринято для шумоподавления динамических облаков точек с различным количеством нерегулярно выбранных точек в каждом кадре. В этой статье мы естественным образом представляем динамические облака точек на графах и решаем проблему шумоподавления путем вывода лежащего в основе графа с помощью пространственно-временного обучения графа, используя как внутрикадровое сходство, так и межкадровую согласованность. Во-первых, предполагая наличие соответствующего вектора признаков для каждого узла, мы представляем пространственно-временное изучение графа как оптимизацию метрики расстояния Махаланобиса M, которая формулируется как минимизация лапласианского регуляризатора графа. Во-вторых, чтобы облегчить оптимизацию симметричной и положительно определенной метрической матрицы M, мы разлагаем ее на M=R⊤R и вместо этого решаем R через проксимальный градиент. Наконец, основываясь на изучении пространственно-временного графа, мы формулируем динамическое шумоподавление облака точек как совместную оптимизацию желаемого облака точек и лежащего в его основе пространственно-временного графа, которая использует как внутрикадровое сходство, так и межкадровую согласованность и решается с помощью чередования минимизация. Экспериментальные результаты показывают, что предлагаемый метод значительно превосходит независимое шумоподавление каждого кадра по сравнению с современными подходами к шумоподавлению статического облака точек.
2. 3D-шумоподавление облака точек с помощью оценки локальной поверхности на основе глубокой нейронной сети (arXiv)
Автор: Чаоцзин Дуань, Сихэн Чен, Елена Ковачевич.
Аннотация: Мы представляем основанную на нейронной сети архитектуру для шумоподавления трехмерного облака точек, называемую шумоподавлением нейронной проекции (NPD). В нашей предыдущей работе мы предложили двухэтапный алгоритм шумоподавления, который сначала оценивает эталонные плоскости, а затем проецирует зашумленные точки на оцененные эталонные плоскости. Поскольку расчетные эталонные плоскости неизбежно зашумлены, для стабилизации характеристик шумоподавления применяется мультипроекция. Алгоритм NPD использует нейронную сеть для оценки опорных плоскостей для точек в зашумленных облаках точек. С более точными оценками эталонных плоскостей мы можем добиться лучших характеристик шумоподавления только с однократной проекцией. Насколько нам известно, NPD — первая работа по шумоподавлению трехмерных облаков точек с помощью методов глубокого обучения. Для проведения экспериментов мы выбираем 40000 облаков точек из 3D-данных в ShapeNet для обучения сети и выбираем 350 облаков точек из 3D-данных в ModelNet10 для тестирования. Экспериментальные результаты показывают, что наш алгоритм может оценивать векторы нормалей точек в зашумленных облаках точек. По сравнению с пятью конкурирующими методами предложенный алгоритм обеспечивает лучшую производительность шумоподавления и дает гораздо меньшие отклонения.
