Winding Clearness for Differentiable Point Cloud Optimization

最新推荐文章于 2025-12-11 18:51:53 发布

原创

最新推荐文章于 2025-12-11 18:51:53 发布 · 468 阅读

11 ·

CC 4.0 BY-SA版权

文章标签：

#论文阅读 #3d

本文提出了一种名为螺旋清晰度的概念，用于评估点云内部/外部结构的清晰度，用于优化点云质量和作为几何约束。研究发现噪声减少的点云螺旋清晰度更好，并展示了优化方法在提升点云质量方面的有效性，特别是在处理细小结构的噪声点云时

Xiao, D., Ma, Y., Shi, Z., Xin, S., Wang, W., Deng, B., & Wang, B. (2024). Winding Clearness for Differentiable Point Cloud Optimization. In arXiv [cs.GR]. arXiv. http://arxiv.org/abs/2401.13639

我们提出通过“螺旋清晰度”来探索原始点云的属性，这是我们首次引入的一个概念，用于评估点云的螺旋数场所表示的内部/外部关系的清晰度。在几何建模中，螺旋数是一个区分给定表面的内部和外部的强大工具，先前已用于点法线方向和表面重建。在这项工作中，我们提出了一种基于螺旋清晰度评估和优化点云质量的新方法。我们观察到，噪声减少的点云往往具有更好的螺旋清晰度。因此，我们提出了一个客观函数，仅利用点云的位置来量化螺旋清晰度的误差。此外，我们证明了螺旋清晰度误差是可微分的，并可以作为基于优化和基于学习的点云处理中的损失函数。在基于优化的方法中，损失函数直接反向传播以更新点位置，从而整体改善点云。在基于学习的方法中，我们将螺旋清晰度作为扩散式3D生成模型中的几何约束。实验结果证明了优化螺旋清晰度对提高点云质量的有效性。我们的方法在处理具有细小结构的噪声点云时表现出卓越的性能，突显了由螺旋数启用的全局视角的好处。

在这里插入图片描述
图1. 在不同标准差的噪声中由2D圆形形成的螺旋数场。我们注释了螺旋清晰度误差（WCE）及其组成部分的值。黑点表示样本点。