无监督3D点云去噪：空间先验驱动的完全噪声清除

本文探讨了3D点云的完全去噪问题，一项创新的研究工作由乌尔姆大学和伦敦大学学院的蒂莫·罗平斯基教授团队进行。他们提出了一种无监督学习方法，旨在从原始的、充满噪声的3D点云数据中自动学习去噪过程，无需依赖噪声和干净数据对的监督。传统的无监督图像去噪技术基于像素值的随机噪声假设，但这在非结构化的3D点云上并不适用，因为3D点云的噪声是全面的，包括坐标偏移，没有像像素网格那样的结构。 传统上，处理3D点云的噪声是具有挑战性的，因为它涉及到空间范围和属性（如坐标）的双重噪声影响。作者将这种噪声称为“总噪声”，借鉴了线性非深度设置下的总最小二乘法概念。然而，他们发现现有的深度学习应用于3D点云和无监督图像去噪技术无法直接融合，因为这两种方法的适用场景不同。 为了解决这个问题，研究人员引入了一个空间先验项，这个先验项能够引导学习过程向最接近的噪声模式收敛，从而避开多个可能的噪声模式。他们的研究结果显示，在有足够的训练样本时，无监督去噪的效果可以与有监督学习在干净数据上的表现相当，即使只使用噪声数据也能实现点云的清洗。 文章的核心贡献在于提出了一种新的无监督学习策略，它能够在不依赖于噪声和干净样本对的前提下，有效地去噪3D点云。这对于日益增长的3D扫描数据处理具有重要意义，例如城市街景、建筑物内部和商品扫描，它们往往受到各种噪声的影响，而这种方法提供了一种新的可能性，使得数据预处理更加自动化和高效。这项研究为3D点云的处理和分析领域开辟了新的研究方向。