Routing on Demand: DSNet for Efficient Progressive Point Cloud Denoising¶

会议: CVPR 2026
论文: CVF Open Access
代码: https://github.com/cz-61/DSNet
领域: 3D视觉 / 点云去噪
关键词: 点云去噪, 渐进式去噪, 动态路由, 法向相似度, 自适应跳层

一句话总结¶

DSNet（Dynamic Skip Net）是一个「按需路由」的渐进式点云去噪框架：用基于法向相似度的噪声判别器量化每个局部 patch 的噪声强度，再用一个反单调的决策函数把它映射到合适的去噪模块入口，使干净区域跳过冗余去噪、噪声区域获得充分精修，从而在去噪质量与计算效率间取得更好平衡。

研究背景与动机¶

领域现状：点云去噪是 3D 感知的关键预处理。深度学习方法从单阶段（一次前向）发展到渐进式/迭代式（多步精修，如 IterativePFN 用权重共享模块逐步细化），整体优于传统几何拟合方法。

现有痛点：无论单阶段还是渐进式，主流框架都采用刚性流水线——对所有区域施加统一的去噪策略（要么一次前向，要么固定顺序的多阶段精修）。这种「一刀切」忽略了真实噪声的空间非均匀性：传感器高斯噪声、环境离群点、几何畸变常以不同强度共存。

核心矛盾：固定路径既会在干净区域过度平滑、抹掉细粒度几何细节，又会在重噪区域精修不足，同时对低噪区域产生冗余计算——保真度与效率被同时损害。

本文目标：让网络能感知局部噪声强度，并据此为每个 patch 动态规划去噪迭代路径，即提出一个核心问题——「网络能否按区域规划最优路径来动态分配计算？」

切入角度：作者通过实验观察发现，含噪点云与干净点云表面法向的角度偏差与几何退化程度高度相关，因此可用法向偏差当噪声代理（noise proxy）来指导自适应推理。

核心 idea：用法向相似度判别器量化退化，再用反单调决策函数把连续噪声分数映射到离散模块入口，配合路径选择迭代机制实现跨阶段跳层——干净 patch 直接跳到后期微调模块，重噪 patch 走完整去噪轨迹。

方法详解¶

整体框架¶

给定含噪点云 \(\hat{P}\)，DSNet 先用最远点采样（FPS）取中心点，再对每个中心点用 KNN 取 1000 个近邻组成局部 patch。每个 patch 进入「按需路由」循环：噪声判别器算出法向相似度因子 \(\rho\) → 决策函数 \(\lambda(\rho)\) 把它映射到一个离散模块索引（噪声越大入口越靠前）→ 选中的 U-Net 去噪模块精修该 patch → 重新评估噪声、重规划下一阶段入口。这个「评估—选择—执行」三步循环重复固定次数，且轨迹不必连续（可跳过中间模块），从而把传统静态渐进网络变成自适应系统。训练沿用 IterativePFN 的思路，给每个迭代模块分配逐步降噪的中间真值。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["含噪点云 P̂<br/>FPS+KNN 切成局部 patch"] --> B["法向相似度噪声判别器<br/>DGCNN 算 ρ∈(0,1]"]
    B --> C["反单调决策函数 λ(ρ)<br/>映射到模块入口索引 tk"]
    C --> D["U-Net 迭代去噪模块 Net_tk<br/>NAA 编码 + 多头交叉注意力解码"]
    D --> E{"残差噪声仍高?"}
    E -->|是, 重评估| B
    E -->|否, 跳过中间模块| F["去噪点云输出 P_out"]

关键设计¶

1. 法向相似度噪声判别器：用法向角度偏差量化局部几何退化

针对「网络无法感知局部噪声强度」的痛点，作者基于「含噪/干净法向角度偏差与退化程度强相关」的观察，定义法向相似度因子 \(\rho=\frac{1}{n}\sum_{i=1}^{n}\exp(-\theta_i^4/\gamma)\)，其中 \(\theta_i=\arccos(n_{clean,i}\cdot n_{noisy,i})\) 是第 \(i\) 点干净与含噪法向的夹角，\(n\) 为 patch 内点数，\(\gamma\) 控制对噪声偏差的敏感度。四次方项 \(\theta_i^4\) 放大了大角度偏差的惩罚，使 \(\rho\in(0,1]\) 对小扰动鲁棒、对显著结构畸变敏感（\(\rho\) 越接近 0 表示噪声越大）。判别器用 DGCNN 的 EdgeConv 层实现：先建 k-NN 图，多层 EdgeConv 通过动态邻接迭代更新节点特征，跨层特征拼接聚合成点级表示，全局池化后过 MLP 预测 \(\rho\)。

2. 反单调决策函数 \(\lambda(\rho)\)：把连续噪声分数映射到离散模块入口

有了 \(\rho\) 还需把它映射成 \([N_{min},L]\) 内的离散模块索引，且映射需满足三条：反单调性（\(\rho\) 低→噪声高→进更早更激进的阶段）、非线性敏感性（高噪区更精细、低噪区不敏感）、有界整数输出。作者设计 \(\lambda(\rho)=\text{clip}\big(\text{round}(L-\frac{(L-N_{min})\log(\beta\rho+1)}{\log(\beta+1)}),N_{min},L\big)\)。核心是对数项 \(\frac{\log(\beta\rho+1)}{\log(\beta+1)}\)：当 \(\rho\to0\)（极噪），分子趋 0、比值最大，把 \(\lambda(\rho)\) 推向 \(N_{min}\)，强制 patch 走完整去噪轨迹；当 \(\rho\to1\)（干净），比值接近 1，\(\lambda(\rho)\approx L\)，让 patch 跳过大部分去噪步骤。超参 \(\beta\) 调控曲率：\(\beta\) 越大非线性越强、在高噪区（\(\rho\) 近 0）路由越细，\(\beta\) 越小则把 patch 更均匀地分散到各模块。round 离散化、clip 强制边界，整体给出可解释、可调的自适应路径选择机制。

3. 路径选择迭代机制（动态跳层）：每阶段重评估、重规划，实现跨阶段跳过

这是 DSNet 区别于固定级联（\(Net_1\to Net_2\to\dots\to Net_L\)）的核心。第 \(k\) 次迭代分三步：（1）状态评估——当前 patch \(P_{k-1}\) 送进判别器算 \(\rho_{k-1}\)；（2）模块选择——\(t_k=\lambda(\rho_{k-1})\)，且约束 \(t_k\in\{t_{k-1}+1,\dots,L\}\) 保证单调前进；（3）模块执行——\(P_k=Net_{t_k}(P_{k-1})\)。循环重复固定 \(K_{total}\) 次，轨迹可形如 \(P_{input}\xrightarrow{Net_2}P_1\xrightarrow{Net_5}P_2\xrightarrow{Net_7}\dots\xrightarrow{Net_L}P_{output}\)，有效跳过 \(\{Net_3,Net_4,Net_6\}\) 等中间模块。这种非顺序路由让重噪复杂区域获得多阶段密集精修、干净简单区域绕过不必要的中间处理，从而在空间上自适应分配计算。

4. U-Net 迭代去噪模块：邻域注意力编码 + 多头交叉注意力解码

每个去噪模块是层级化的 U-Net。编码器每层用两次连续的邻域注意力聚合（NAA）配合 MLP 残差连接 \(f_l=\text{MLP}([\text{NAA}(f^0_{l-1}),\text{NAA}^2(f^0_{l-1})])+\text{MLP}(f_{l-1})\)，点集用 FPS 下采样；解码器用距离加权插值上采样后接多头交叉注意力（MHCA）做跨层融合 \(h_{l-1}=\text{MLP}([\text{MHCA}(\phi(f_{l-1}),\phi(\tilde{h}_l)),f_{l-1}])\)，兼顾全局上下文与局部结构细节。模块还会根据估计的噪声强度自适应决定编码-解码层数。

损失函数 / 训练策略¶

训练给每个迭代步分配逐步降噪的中间真值 \(P_{gt_i}=P+\sigma_i\xi,\ \xi\sim\mathcal{N}(0,I)\)，噪声标准差按 \(\sigma_i=\sigma_{i-1}/\gamma\) 衰减（\(\gamma=16/L\)）。单步损失 \(L_k=L_{cd}(P_k,P_{gt_k})+L_{disp}(P_{k-1},P_{gt_k},P_k)\)，其中 \(L_{cd}\) 为预测与目标点云间 Chamfer 距离，位移损失 \(L_{disp}=\|(P_k-P_{k-1})-P_{nearest}\|_2\)（\(P_{nearest}\) 是 \(P_{k-1}\) 到 \(P_{gt_k}\) 最近邻的位移向量）。总损失等权聚合所有中间损失 \(L=\sum_{k=1}^{K_{total}}L_k\)，保证粗到细去噪全程的一致监督与稳定优化。训练先独立预训练噪声判别器得到稳定的噪声特征提取器，再用它指导 DSNet 联合优化，提升收敛速度与稳定性。

实验关键数据¶

主实验¶

训练用 PU-Net 数据集（40 个网格，Poisson disk 采样 10K/30K/50K，加 0.05–0.2 倍包围球半径的高斯噪声）。下表为 PU-Net 测试集结果（CD、P2M 均 ×10⁴，越低越好）：

设置	指标	DSNet	ASDN	IterativePFN	3DMambaIPF
10K, 1%	CD↓	1.829	1.871	2.055	1.989
10K, 2.5%	CD↓	2.604	2.697	3.352	3.262
50K, 2%	CD↓	0.603	0.721	0.802	0.755
50K, 2.5%	CD↓	0.762	0.850	1.015	0.928
50K, 2.5%	P2M↓	0.514	0.575	0.588	0.531

注：CD = Chamfer Distance（预测与真值点云双向最近邻距离），P2M = Point-to-Mesh 距离（点到真值网格面距离）；两者均为几何保真度指标，越低越好。

真实扫描数据（Kinect，无真值故仅有限定量；Paris-Rue-Madame 仅定性）：

数据集	指标	DSNet	P2P-Bridge	IterativePFN	3DMambaIPF
Kinect	CD↓	1.040	0.974	0.993	1.008
Kinect	P2M↓	0.885	0.854	0.867	0.883

在合成数据上 DSNet 全面 SOTA，但在真实扫描 Kinect 上仅与同类持平（略逊 P2P-Bridge），作者坦承跨域泛化仍有提升空间。

消融实验¶

阶段数 \(L\) 与动态/静态路径对比（PU-Net，CD↓，节选）：

配置	10K,1% CD↓	50K,2.5% CD↓	说明
DSNet-2（动态）	1.919	0.868	2 阶段
DSNet-Static-2	1.914	0.975	固定路径 2 阶段
DSNet-4（动态，最终）	1.829	0.762	最优配置
DSNet-Static-4	1.897	1.017	固定路径 4 阶段
DSNet-5（动态）	1.847	0.816	阶段过深略降

关键发现¶

阶段数 \(L\) 从 2 增到 4 性能持续提升（更深→更有效的粗到细精修），但 \(L=5\) 略降（过平滑/误差累积），故最终取 \(L=4\)。
动态路径全面优于静态变体：低噪时跳过冗余阶段避免过平滑，高噪时仍稳定领先（如 DSNet-Static-4 在 50K/2.5% 反而恶化到 CD 1.017，动态版仅 0.762），证明按需路由既高效又对挑战性噪声鲁棒。
合成→真实存在域差：真实扫描上提升不如合成显著，跨域泛化是后续方向。

亮点与洞察¶

「按需路由」把渐进式去噪从「固定流水线」升级成「每 patch 自适应路径」，是对 IterativePFN 这类固定级联的直接改进——核心洞察是噪声空间非均匀，计算就该按需分配。
用表面法向角度偏差当噪声代理很巧妙：法向对几何退化敏感且无需真值即可在推理时近似评估残差噪声，比直接回归噪声强度更有几何意义；四次方 + 指数的 \(\rho\) 设计兼顾了「对小扰动鲁棒、对大畸变敏感」。
反单调对数决策函数把「连续分数→离散模块」的映射写成可解释、可调（\(\beta\) 控曲率）的闭式，避免了额外的学习式路由器，工程上简洁。
单调约束 \(t_k\in\{t_{k-1}+1,\dots,L\}\) 保证每步前进、不回退，使跳层在保证收敛的同时省算力——「跳过即省」的设计可迁移到其它渐进式精修任务（如图像/深度的迭代修复）。

局限与展望¶

真实扫描泛化偏弱：Kinect 上仅与 SOTA 持平、略逊 P2P-Bridge，作者明确指出跨域泛化留待改进。
判别器依赖法向估计质量，而含噪点云的法向本身可能不准；⚠️ 推理时如何得到「干净法向」用于 \(\theta_i\) 计算，正文未完全交代（训练时有真值，推理时应是近似/残差评估，以原文为准）。
需要独立预训练噪声判别器再联合训练，流程比端到端方法多一步；多个超参（\(\gamma,\beta,N_{min},L,K_{total}\)）的联合调参成本未给系统分析。
评测主要在 PU-Net 合成噪声 + 两个真实扫描集，噪声类型仍以高斯为主，对结构化/离群点噪声的专门验证有限。

评分¶

新颖性: ⭐⭐⭐⭐ 「按需路由 + 跨阶段跳层」在点云去噪里是清晰的新范式，法向相似度代理与反单调决策函数设计有巧思。
实验充分度: ⭐⭐⭐⭐ 合成多分辨率/多噪声 + 阶段数 + 动态vs静态消融较完整，但真实扫描定量偏少、超参敏感性缺。
写作质量: ⭐⭐⭐⭐ 动机、三步路由循环与公式推导讲得清楚，图示直观。
价值: ⭐⭐⭐⭐ 在质量与效率间取得更好平衡，对 3D 感知预处理有实用意义，跳层思路可迁移。