【总结】点云方面重要文章

2025年3月25日 下午8:21 科研

这里总结科研中点云的任务，目的是在总结并且自己可以快速回顾

统计流形

名称 会议/期刊 级别 备注
A Statistical Manifold Framework for Point Cloud Data ICML2022 CCF-A 统计流形
Information Geometric Framework for Comparing Point Clouds - - 统计流形

1. A Statistical Manifold Framework for Point Cloud Data

论文总结链接：https://carrynotkarry.com/research/a-statistical-manifold-framework-for-point-cloud-data/

2. Information Geometric Framework for Comparing Point Clouds

翻译：用于比较点云的信息几何框架（20240508于arXiv）

论文总结链接：https://carrynotkarry.com/research/information-geometric-framework-for-comparing-point-clouds/

这里有了许多概念的思考以及可视化的图，很适合初学的查看。请结合这两篇论文进行分学习

点云降噪

名称 会议/期刊 级别 备注
PD-Flow: A Point Cloud Denoising Framework with Normalizing Flows ECCV2022 CCF-B 比较早，但是毛爱华后出了很强的文章
Denoising Point Clouds in Latent Space via Graph Convolution and Invertible Neural Network CVPR2024 CCF-A 毛爱华这篇强的没边
IterativePFN: True Iterative Point Cloud Filtering CVPR2023 CCF-A 迭代，如何学习特征
PCDNF: Revisiting Learning-based Point Cloud Denoising via Joint Normal Filtering TVCG2024 CCF-A 形状感知选择器，依靠法线（不佳）
PathNet: Path-Selective Point Cloud Denoising TPAMI2024 CCF-A 结合强化学习进行路径选择
StraightPCF: Straight Point Cloud Filtering CVPR2024 CCF-A 迭代PFN进阶版本，线性插值而不是高斯接近

1. PD-Flow: A Point Cloud Denoising Framework with Normalizing Flows

image-20250325165004783
image-20250325165049144

这篇没有写专门的文章，但是也了解了不少，稍微总结一下。

主要特别的点有如下：

  1. 噪声和干净点云一起进入到潜在空间(latent space)在这里进行正则化model学习真实分布，消除噪声，再返回至原来的欧式空间达到效果result
  2. flow主要作用是一个可逆的双射，将复杂的情况到一个简单的情况进行处理
  3. 这里的Augment其实就是扩充维度，例如和IterativePFN里面一样，让其自由度更高（这里用KNN邻域特征）
  4. 这里有一个det作用，让其在变换后也恢复至真实情况，需要对体积进行加减（还需要多看一下，但好像不难）
  5. 原始点云到潜在空间是一个连续的变换，共享参数，类似于\text{pc}\xrightarrow{f_1}\xrightarrow{f_2}\xrightarrow{\cdots}\text{latent space} ，类似于复合函数f(g(h(x)))即f\circ g\circ h
  6. 这里面有三种方法来消除噪声，三者互斥，目标都是从\tilde{z}到latent space的\hat{z}分别是
    1. FBM(fixed)：保留前D_p=3维度
    2. LBM(learnable)：学mask，学习哪些维度是noise
    3. LCC：学习变换矩阵

2. Denoising Point Clouds in Latent Space via Graph Convolution and Invertible Neural Network

image-20250325171405045

这篇还没有仔细看，但是好像是在前一篇进行改进的，从这个架构图也可以看出

3. IterativePFN: True Iterative Point Cloud Filtering

image-20250325171541827

这篇很熟悉了，是毕设的相关文章

主要的点都可以从这个架构图得出

  1. 迭代进行，并且使用动态边卷积学习特征，让其特征逐步学习到512维，最后使用解码器进行降至3维就是最后的推断的位移
  2. 主要特别的点我觉得是在如何学习邻域特征吧，并且将其分成patch进行学习

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

image-20250325172720657

论文链接：https://arxiv.org/abs/2209.00798

和IterativePFN相似点都是用的“编码器译码器”的结构，这里划分成了四个重要部分

  1. 多尺度特征提取器：不仅结合了点(N\times 3)和法线(N\times 3)，这里还结合了角度(N\times 1)和距离(N\times 1)，然后进行特征提取，能够结合角度和距离确实很不错是一种思路，但是效果好不好就不知道了
  2. 形状感知选择器：这一部分应该是一个主要创新点，大概就是我选择每个点x附近64个点进行处理，然后通过MLP+池化，最后选择得分高的32个，选取其原来的特征进行拼接。这就好像要选出32个人，那么我先让64个人进行训练，选择优秀的32个出来
  3. 特征细化：增强特征保持
  4. 解码器：点和法线进行回归

我觉得主要的创新就在这个形状感知选择器吧，加上如何特征保持。但是很容易理解法线在高噪声的时候是不好的，因为有高噪声之后本来就乱，再结合这时候乱的法线就不佳了

idea：如何不依赖法线进行选择

5. PathNet: Path-Selective Point Cloud Denoising

论文总结链接：https://carrynotkarry.com/research/pathnet-path-selective-point-cloud-denoising/

image-20250401162656454

路径选择，低噪声那么就少进入迭代块，高噪声那么就选择多的迭代块（用强化学习进行训练）

image-20250401194629059

分成四个部分，分别是Encoder编码器、Denoising Block去噪模块、Decoder解码器、Routing Agent路由选择器（绿色）

主要创新点在于第一次结合强化学习，进行路径选择

6. StraightPCF: Straight Point Cloud Filtering

image.png

论文总结：https://carrynotkarry.com/research/straightpcf-straight-point-cloud-filtering/

和IterativePFN是同一作者，这里并不是使用迭代PFN的逐步接近“GT+噪声”，而是直接线性插值，省去了很多参数以及时间并且表现更佳。拥有两个模块：

  • VelocityModule：给点分配一个方向，尽量往GT上走直线
  • DistanceModule：动态调整，确保收敛刚好("离得远时大步走，近了就小步走")

表面重建

名称 会议/期刊 级别 备注
Surface Reconstruction from Point Clouds without Normals by Parametrizing the Gauss Formula（PGR） TOG2022 CCF-A PGR

1. Surface Reconstruction from Point Clouds without Normals by Parametrizing the Gauss Formula（PGR）

本文主要讲了基于参数化高斯公式的方法，从没有法向量的点云中进行重建。

主要使用高斯方程来计算指示函数，利用在边界为\frac{1}{2}这个约束进行求解（矩阵）方程，通过学习的方法求解参数，也就是法线，最后得到法线一致的表面。

https://jsnln.github.io/tog2022_pgr/

阅读链接：https://carrynotkarry.com/research/surface-reconstruction-from-point-clouds-without-normals-by-parametrizing-the-gauss-formula/

Tag：高斯公式、表面重建、指示函数、迭代进行优化

image-20250325164002162

3DGS

名称 会议/期刊 级别 备注
Deformable Radial Kernel Splatting CVPR2025 CCF-A 用可变性径向核函数来学习
Scaffold-GS: Structured 3D Gaussians for View-Adaptive CVPR2024 CCF-A 体素化，对于每个体素有一个锚点，有若干个高斯核学习

1. Deformable Radial Kernel Splatting

论文总结链接：Deformable Radial Kernel Splatting（与Scaffold-GS写一起了）

image-20250406162251464

传统高斯是径向对称和平滑的，DRK（可变性径向核）可以进行学习，更加灵活、通用。可以更好地拟合不同性质的原语（边、角、曲线等），并且能精细控制边缘的清晰度与边界曲率

DRK的核具有平面特性，它们不一定3D对称而可以近似为扁平或2D形态的核，用少数核来表示，而3DGS需要用很多

用一个DRK（可变性径向核）进行学习，具有很强的泛化能力，针对各种情况，参数也少

2. Scaffold-GS: Structured 3D Gaussians for View-Adaptive

论文总结链接：Scaffold-GS: Structured 3D Gaussians for View-Adaptive（与DRK写一起了）

image-20250407124940687

同样是与3DGS比较，这里展示了创新点主要在于

Scaffold-GS=结构化高斯建模 + 按需动态推理

核心的有：

  • Anchor Points（锚点）：少量“锚点”来表示场景结构，作为高斯的中心依据
  • 局部高斯分布：每个锚点可以在其局部区域内生成多个高斯

还有其他就是CV视角等方面了，动态推理每个高斯的大小、形状、透明度等属性

也可以自动裁剪不需要的锚点（压缩表示）

可以把Scaffold-GS看作：

从点云 → 到结构驱动表示 → 再到视角动态推理的一步

更关注结构组织性（scaffold）和渲染适应性（adaptive），而DRK更像是在单个原语层面做了极致的表达优化

其他方面

名称 会议/期刊 级别 备注
PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation CVPR2017 CCF-A 分类；分割
PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space NIPS2017 CCF-A 进阶版

1. PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation

我的博客链接：PointNet&PointNet++

image-20250325193909798

点云深度学习的开山鼻祖，比较基础也很容易理解，主要解决了无序性

2. PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space

我的博客链接：PointNet&PointNet++

2017年发表在NIPS上的文章，同一个作者，也是八年前的文章了还是比较基础的，这里主要解决了如何学习局部特征以及层次化采样（我理解的就是逐步，见图即可）

image-20250325194630228

主要看左边这个图，它实现了逐渐将邻域的特征结合起来，并且逐步扩大（可以看见圈越来越大）

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注