跳转至

Noise2Score3D: Tweedie's Approach for Unsupervised Point Cloud Denoising

会议: ICCV 2025
arXiv: 2503.09283
代码: GitHub
领域: 其他
关键词: 点云去噪, 无监督学习, Tweedie公式, 得分函数, 全变分

一句话总结

提出Noise2Score3D,基于Tweedie公式的全无监督点云去噪框架,从噪声数据直接学习得分函数,实现单步去噪;引入点云全变分度量估计未知噪声参数。

研究背景与动机

3D点云常因传感器误差和环境因素而受噪声干扰。现有深度学习去噪方法面临两个核心问题:

监督方法依赖配对数据 — 实际场景中获取干净数据困难或不可能

现有无监督方法局限性大: - TotalDn依赖空间先验,迭代过程缓慢 - ScoreDenoise中的"得分"基于位移而非似然,无法利用贝叶斯统计工具 - 泛化性差(跨数据集/噪声级别需重训练) - 推理效率低(需迭代去噪)

Noise2Score在2D图像去噪中展示了Tweedie公式的威力:通过将去噪重构为得分函数估计问题,提供了理论优雅且灵活的框架。本文将此思想扩展到3D点云。

方法详解

理论基础 — Tweedie公式

对于高斯噪声: \(\mathbf{y} = \mathbf{x} + \sigma\epsilon\)

Tweedie公式给出后验期望的显式表达: $\(E_{p(\mathbf{x}|\mathbf{y})}(\mathbf{x}) = \mathbf{y} + \sigma^2 \nabla_\mathbf{y} \log p(\mathbf{y})\)$

其中 \(\nabla_\mathbf{y} \log p(\mathbf{y})\) 是噪声数据分布的得分函数。关键优势: 给定得分函数和噪声参数,去噪只需一步。

得分估计网络

基于KPConv架构: - 5个编码阶段(14个块): 3→256→512→1024→2048通道 - 4个解码块: 3072→128 - 最终全连接层输出3维得分向量 - 参数量24.3M

使用Amortized Residual DAE (AR-DAE)损失: $\(\mathcal{L}_{AR-DAE} = \frac{1}{N}\sum_{i=1}^N \|\sigma_t \cdot S(y'_i) + u\|^2\)$

其中 \(y'_i = y_i + u \cdot \sigma_t\) 是扰动版本,\(u \sim \mathcal{N}(0, I)\)。

未知噪声参数估计 — 点云全变分

\[TV_{PC} = \sum_{i=1}^N \sum_{j \in \text{neighbors}(i)} w_{i,j} \cdot \sqrt{\|\mathbf{p}_i - \mathbf{p}_j\|^2 + \epsilon^2}\]

通过最小化去噪结果的全变分来估计最优噪声参数: $\(\sigma^* = \arg\min_\sigma TV_{PC}(\hat{x}(\sigma))\)$

去噪流程

  1. 训练: 从噪声点云学习得分函数 \(S(y)\)
  2. 去噪: \(\hat{x} = y + \sigma^2 S(y)\)（单步完成）
  3. 若噪声未知: 在候选 \(\sigma\) 范围内搜索最优值

实验

ModelNet-40去噪性能对比 (CD×\(10^4\))

方法 10K点1%噪声 CD 10K点3%噪声 CD 50K点1%噪声 CD
Bilateral 5.865 31.034 3.711
GLR 6.592 12.890 1.860
TotalDn 8.079 29.617 5.044
Score-U 5.514 18.239 2.696
Noise2Score3D 4.891 12.456 1.654

泛化能力验证

训练集 测试集 CD↓ P2M↓
ModelNet-40 ModelNet-40 最佳 最佳
ModelNet-40 PU-Net 仍优 仍优

关键发现

  1. 在无监督方法中达到SOTA性能,某些设置下接近监督方法
  2. 泛化能力突出 — 同一预训练权重可跨数据集和噪声级别使用,无需重训练
  3. 高效推理 — 已知噪声参数时单步去噪,优于迭代方法
  4. 点云全变分是有效的去噪质量指标,可自动选择最优噪声参数

亮点与洞察

  1. 贝叶斯统计工具的引入 — Tweedie公式将去噪与得分估计解耦,理论优雅
  2. 单步去噪 — 区别于所有现有无监督方法的迭代过程
  3. 噪声模型无关性 — 同一损失函数/预训练权重适用于不同噪声模型
  4. 点云全变分 — 首次为点云去噪引入无参考质量度量

局限性

  • 主要验证了高斯噪声,对其他噪声分布的实际效果需验证
  • KPConv网络参数较大(24.3M)
  • 噪声参数未知时需在候选范围内搜索

相关工作

  • 传统方法: 双边滤波, 低秩近似, 图拉普拉斯正则
  • 监督方法: PointCleanNet, ScoreDenoise, IterativePFN
  • 无监督方法: TotalDn, DMR-U, Score-U
  • 得分匹配: Denoising Score Matching, AR-DAE

评分

  • 新颖性: ⭐⭐⭐⭐ (Tweedie公式到3D点云的扩展)
  • 技术深度: ⭐⭐⭐⭐⭐ (理论基础扎实,贝叶斯框架完整)
  • 实验充分度: ⭐⭐⭐⭐ (多噪声级别,跨数据集泛化)
  • 实用价值: ⭐⭐⭐⭐⭐ (无需干净数据,单步去噪,自动噪声估计)

相关论文