NoiseTrans: Point Cloud Denoising with Transformers
Jilin University（吉林大学）
针对含噪点云影响下游任务的问题，提出 NoiseTrans 模型，利用 Transformer、Local Point Attention 与稀疏编码恢复干净点云，并在多数据集和噪声环境中取得最优去噪效果。
2023-04-24 cs.CV
Density-based Denoising of Point Cloud
Multimedia University（多媒体大学）
用于曲面重构的点云源数据通常被噪声和野值污染。为了克服这一缺陷，提出了一种基于密度的点云去噪方法，去除离群点和噪声点。首先，采用粒子群优化技术自动逼近多元核密度估计的最优带宽，以保证密度估计的鲁棒性。然后，基于均值漂移的聚类技术被用来通过阈值方案去除离群点。在去除点云中的离群点后，应用双边网格滤波来平滑剩余的点。实验结果表明，该方法是鲁棒的和有效的。
2016-02-17 cs.CV
Noise2Score3D: Tweedie's Approach for Unsupervised Point Cloud Denoising
Shenzhen University（深圳大学）；Quantum Science Center of Guangdong-Hong Kong-Macao Greater Bay Area（粤港澳大湾区量子科学中心）；Research Institute of Tsinghua University in Shenzhen（清华大学深圳研究院）；YunJi Intelligent Engineering Co., Ltd.（云智智能工程有限公司）；Nanjing University（南京大学）；City University of Hong Kong（香港城市大学）
提出Noise2Score3D无监督点云去噪框架，利用Tweedie公式单步去噪，引入点云全变差指标，在标准基准上达到最优性能并展现强泛化能力。
2025-10-07 cs.CV
Non-Local Part-Aware Point Cloud Denoising
The Chinese University of Hong Kong（香港中文大学）
本文提出了一种新的非局部部分感知的深度神经网络，通过探索3D对象和场景中固有的非局部自相似性来去除点云。与现有的探索小的局部补丁的作品不同，我们设计了非局部学习单元（NLU）定制的图形注意力模块，以自适应地捕捉整个点云的非局部语义相关的功能。为了提高去噪性能，我们级联了一系列NLU，以逐步从噪声输入中提取噪声特征。此外，除了传统的表面重建损失外，我们还制定了语义部分损失，以规范对相关部分的预测，并以部分感知的方式进行去噪。最后，我们进行了大量的实验，以评估我们的方法，定量和定性，并证明其优于国家的最先进的合成和实时扫描的噪声输入。
2020-03-14 cs.CV
GeoGCN: Geometric Dual-domain Graph Convolution Network for Point Cloud Denoising
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Lingnan University（岭南大学）；Hong Kong Metropolitan University（香港都会大学）
我们提出了GeoGCN，一种新的几何双域图卷积网络的点云去噪（PCD）。超越传统的PCD智慧，充分利用点云的几何信息，我们定义了两种表面法线，一种是真正的法线（RN），另一种是虚拟法线（VN）。RN保留了噪声点云的局部细节，而VN避免了去噪过程中的全局形状收缩。GeoGCN是一种新的PCD范式，1）首先通过基于空间的GCN在VN的帮助下回归点位置，2）然后通过对回归点执行主成分分析来估计初始RN，3）最后通过基于法线的GCN回归精细RN。与现有的PCD方法不同，GeoGCN不仅利用了两种几何专业知识（即，RN和VN），而且还受益于训练数据。实验验证了GeoGCN在噪声鲁棒性和局部和全局特征保留方面优于SOTA。
2022-10-28 cs.CV
Adaptive Dual-Weighted Gravitational Point Cloud Denoising Method
Xi'an University of Technology（西安理工大学）
本文提出一种自适应双权重引力点云去噪方法，通过八叉树空间划分、自适应体素统计和引力评分函数，提升去噪精度、边缘保持和实时性能。
2026-01-03 cs.CV
Dynamic Point Cloud Denoising via Gradient Fields
Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机研究所）
三维动态点云提供了真实世界物体或运动场景的离散表示，已广泛应用于沉浸式远程呈现，自动驾驶，监控等。然而，从传感器获取的点云通常会受到噪声的干扰，这会影响下游任务，如表面重建和分析。虽然已经为静态点云去噪做出了许多努力，但是动态点云去噪仍然未被探索。在本文中，我们提出了一种新的基于梯度场的动态点云去噪方法，利用时间对应通过梯度场的估计-在动态点云处理和分析的一个基本问题。梯度场是噪声点云的对数概率函数的梯度，基于此，我们执行梯度上升，以便将每个点收敛到底层的干净表面。我们估计每个表面补丁的梯度，并利用时间上的对应关系，其中时间上对应的补丁搜索利用经典力学中的刚性运动。特别地，我们将每个补丁视为刚性对象，其通过力在相邻帧的梯度场中移动，直到达到平衡状态，即，当整个面片上的梯度之和达到0时。由于当点更靠近下垫面时梯度将更小，因此平衡的贴片将很好地拟合下垫面，从而导致时间对应。最后，在补丁中的每个点的位置被更新的方向上的梯度平均从相应的补丁在相邻的帧。实验结果表明，该模型优于国家的最先进的方法在合成噪声和模拟现实世界的噪声。
2022-04-19 cs.CV
Noise2Score3D:Unsupervised Tweedie's Approach for Point Cloud Denoising
提出Noise2Score3D，一种无需干净数据的无监督点云去噪框架，利用Tweedie公式单步推理，在标准基准上达到最先进性能，并引入点云全变差估计噪声参数。
2025-06-23 cs.CV
Deep Learning For Point Cloud Denoising: A Survey
Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院航空航天信息研究所）；National University of Defense Technology（国防科技大学）
本文综述了基于深度学习的点云去噪方法，提出离群点去除与表面噪声恢复两步分类体系，比较现有方法并展望未来方向。
2025-08-16 cs.CV
Denoising-While-Completing Network (DWCNet): Robust Point Cloud Completion Under Corruption
Swansea University（斯旺西大学）
针对真实世界点云受多种退化影响的问题，提出DWCNet框架，引入噪声管理模块结合对比学习与自注意力，在合成和真实数据集上实现最先进的补全与去噪性能。
2025-07-22 cs.CV
P2P-Bridge: Diffusion Bridges for 3D Point Cloud Denoising
ETH Zurich（苏黎世联邦理工学院）；Google（谷歌公司）；Microsoft（微软公司）；TU Munich（慕尼黑工业大学）
本文提出P2P-Bridge框架，将扩散薛定谔桥适配到点云去噪，通过学习成对点云间的最优传输方案，在多个数据集上显著优于现有方法，并证明融入颜色或DINOv2特征可进一步提升性能。
2024-08-29 cs.CV
Differentiable Manifold Reconstruction for Point Cloud Denoising
Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机研究所）
由于采集设备的固有限制，三维点云数据经常受到噪声干扰，影响了后续的曲面重建、绘制等工作，以往的工作主要是推断噪声点与底层曲面之间的位移，但没有明确地指定这些位移来恢复曲面，可能会导致去噪效果不佳。为此，我们建议从具有微小噪声扰动的可微子采样点及其嵌入的邻域特征中学习噪声点云的底层流形，旨在捕获点云中的内在结构。具体来说，我们提出了一个自动编码器一样的神经网络。编码器学习每个点的局部和非局部特征表示，然后通过自适应可微分池化操作以低噪声采样点。然后，解码器通过将每个采样点及其邻域的嵌入特征变换为以该点为中心的局部表面来推断底层流形。通过对重构流形的重构，得到去噪后的点云。此外，我们设计了一个无监督的训练损失，这样我们的网络就可以以无监督或有监督的方式进行训练。实验表明，我们的方法显着优于国家的最先进的去噪方法在合成噪声和现实世界的噪声。代码和数据可在https://github.com/luost26/DMRDenoise上获得
2020-08-09 cs.CV
Point Cloud Denoising via Momentum Ascent in Gradient Fields
The University of Hong Kong（香港大学）；University of Rochester（罗切斯特大学）
针对基于梯度的点云去噪方法中预测梯度波动导致解不稳定且推理时间长的问题，提出动量梯度上升方法，利用先前迭代信息提升稳定性并加速推理，在多种噪声设置下优于现有方法。
2023-06-25 cs.CV
Point cloud denoising based on tensor Tucker decomposition
Shenzhen Research Institute of Big Data, The Chinese University of Hong Kong（香港中文大学深圳大数据研究院）；Ryerson University（瑞尔森大学）
本文提出了一种基于张量塔克分解的点云去噪新算法。我们首先将噪声点云的局部曲面片表示为它们到参考点的距离矩阵，并将相似的曲面片矩阵堆叠为三阶张量。然后，我们使用Tucker分解来压缩这个补丁张量，使其成为一个更小的核心张量。我们将此核心张量视为频域，并通过操纵硬阈值来去除噪声。最后，将去噪后的补丁张量的所有纤维放回原处，如果有多个估计量重叠，则取平均值。实验结果表明，该算法在高斯噪声较大的情况下（$σ=0.1$）优于图拉普拉斯正则化（GLR）算法，在噪声较小的情况下（$σ=0.04, 0.05, 0.08$）优于GLR算法.
2019-05-16 cs.CV
SoftFlow: Probabilistic Framework for Normalizing Flow on Manifolds
Seoul National University（首尔国立大学）
基于流的生成模型由两个相同维度的随机变量之间的可逆变换组成。因此，如果数据分布的维度与底层目标分布的维度不匹配，则无法充分训练基于流的模型。在本文中，我们提出了SoftFlow，一个概率框架，用于训练流形上的规范化流。为了避免维度不匹配问题，SoftFlow估计扰动输入数据的条件分布，而不是直接学习数据分布。我们的实验表明，SoftFlow可以捕获的流形数据的固有结构，并生成高质量的样本，不同于传统的基于流的模型。此外，我们将所提出的框架应用于3D点云，以减轻基于流的模型形成薄结构的困难。所提出的3D点云模型，即SoftPointFlow，可以更准确地估计各种形状的分布，并在点云生成方面达到最先进的性能。
2020-11-15 cs.CV cs.LG
3D Point Cloud Denoising via Deep Neural Network based Local Surface Estimation
Carnegie Mellon University（卡内基梅隆大学）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
我们提出了一种基于神经网络的3D点云去噪架构，称为神经投影去噪（NPD）。在我们以前的工作中，我们提出了一个两阶段的去噪算法，首先估计参考平面，然后将噪声点投影到估计的参考平面。由于估计的参考平面不可避免地含有噪声，因此应用多投影来稳定去噪性能。NPD算法使用神经网络来估计噪声点云中的点的参考平面。通过更准确地估计参考平面，我们能够仅用一次投影实现更好的去噪性能。据我们所知，NPD是第一个使用深度学习技术对3D点云进行降噪的工作。为了进行实验，我们从ShapeNet中的3D数据中采样40000个点云来训练网络，并从ModelNet10中的3D数据中采样350个点云进行测试。实验结果表明，该算法能够有效地估计噪声点云中点的法向量。与五种竞争方法相比，该算法具有更好的去噪性能，产生更小的方差。
2019-04-09 cs.CV eess.SP
A Conditional Denoising Diffusion Probabilistic Model for Point Cloud Upsampling
Nanjing University of Science and Technology（南京理工大学）；Shanghai AI Laboratory（上海人工智能实验室）
本文提出条件去噪扩散概率模型 PUDM，将稀疏点云作为条件并利用双映射与速率因子实现任意尺度点云上采样，在 PU1K 和 PUGAN 上取得 SOTA 性能。
2023-12-03 cs.CV
Denoising-Aware Temporal Point Cloud Completion for 3D Crop Architecture Recovery and Phenotypic Trait Extraction
Sardar Vallabhbhai National Institute of Technology（萨达尔·瓦拉巴伊国家理工学院）；Indian Institute of Technology Bombay（印度理工学院孟买分校）
该研究针对时序植物重建数据集缺失的问题，提出SynthCrop4D数据集与结合去噪和Adaptive Temporal PoinTr的两阶段流程，提升了作物点云补全质量，可用于表型性状提取。
2026-08-31 cs.CV
3D Point Cloud Denoising using Graph Laplacian Regularization of a Low Dimensional Manifold Model
Hong Kong University of Science and Technology（香港科技大学）；York University（约克大学）；Hong Kong Baptist University（香港浸会大学）；SenseTime Research（商汤科技研究院）
3D点云-一种新的体积物体的信号表示-是三维空间中标记外部物体表面位置的三元组的离散集合。3D点云的常规不完美的获取过程-例如，从多个视点图像或直接从有源光传感器获取的深度数据进行立体匹配意味着数据中的不可忽略的噪声。在本文中，我们采用了以前提出的低维流形模型的表面补丁在点云中，并寻求自相似补丁，同时使用补丁流形先验去噪。由于离散观测流形上的补丁，我们近似的流形尺寸计算定义在连续域与补丁为基础的图形拉普拉斯正则化，并提出了一个新的离散补丁距离测量，以量化两个相同大小的表面补丁之间的相似性图建设，是强大的噪声。我们表明，我们的图拉普拉斯正则化有一个自然的图谱解释，并通过特征分析具有理想的数值稳定性属性。大量的仿真结果表明，我们提出的去噪方案可以在客观指标上优于最先进的方法，并且可以更好地保留视觉上突出的结构特征，如边缘。
2019-04-30 cs.CV
Score-Based Point Cloud Denoising
Wangxuan Institute of Computer Technology（王选计算机技术研究院）；Peking University（北京大学）
本文提出一种基于分数的点云去噪方法，通过神经网络估计含噪点云分布的梯度并迭代更新点位置，在多种噪声模型下优于现有方法。
2024-02-28 cs.CV
Noise-Injected Spiking Graph Convolution for Energy-Efficient 3D Point Cloud Denoising
School of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics（南京航空航天大学计算机科学与技术学院）；College of Mechanical and Electrical Engineering, Nanjing University of Aeronautics and Astronautics（南京航空航天大学机电学院）；School of Artificial Intelligence, Anhui University（安徽大学人工智能学院）
本文提出噪声注入的脉冲图卷积网络，通过模拟噪声注入神经元动力学促进3D点云扰动感知表示学习，构建纯SNN与混合架构去噪网络，在PU-Net和PC-Net上实现低精度损失与显著节能。
2025-03-06 cs.CV
SIMPC: Learning Self-Induced Mirror-Point Consistency for Unsupervised Point Cloud Denoising
National Key Laboratory of Microwave Imaging, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing, China（微波成像国家重点实验室，航天信息研究所，中国科学院，北京，中国）；School of Computing, National University of Singapore, Singapore（计算学院，新加坡国立大学，新加坡）
提出自诱导镜像点一致性（SIMPC）方法，通过几何先验生成镜像点并约束去噪目标一致性，实现无监督点云去噪，在合成和真实数据集上超越现有无监督及部分有监督方法。
2026-05-26 cs.CV
Manifold4D: Denoising on Point Cloud Rendered Manifolds for Video Re-shooting
Zhejiang University（浙江大学）；Manifold Tech（曼尼福尔德科技）；ShanghaiTech University（上海科技大学）；University of Cambridge（剑桥大学）
本文提出MANIFOLD4D，将渲染结果注入流匹配初始噪声以实现视频重拍摄，在DAVIS-Traj等基准上显著提升相机控制精度，同时保证视频保真度与动态一致性。
2026-10-12 cs.CV
3D Dynamic Point Cloud Denoising via Spatial-Temporal Graph Learning
可访问的深度感测和3D激光扫描技术的流行使得能够方便地获取3D动态点云，其提供运动中的任意形状的对象的有效表示。然而，由于硬件、软件或其他原因，动态点云经常受到噪声的干扰。虽然已经提出了过多的方法用于静态点云去噪，但很少努力用于在每帧中具有不同数量的不规则采样点的动态点云的去噪。在本文中，我们自然地在图上表示动态点云，并通过时空图学习推断底层图来解决去噪问题，同时利用帧内相似性和帧间一致性。首先，假设每个节点的相关特征向量的可用性，我们提出的时空图学习优化的马氏距离度量$\mathbf{M}$，这是制定为图拉普拉斯正则化的最小化。其次，为了简化对称正定度量矩阵$\mathbf{M}$的优化，我们将其分解为$\mathbf{M}=\mathbf{R}^{\top}\mathbf{R}$，并通过近似梯度来求解$\mathbf{R}$。最后，基于时空图学习，我们将动态点云去噪表示为所需点云和底层时空图的联合优化，该优化利用帧内亲和力和帧间一致性，并通过交替最小化来解决。实验结果表明，该方法显着优于国家的最先进的静态点云去噪方法的每一帧的独立去噪。
2020-04-08 cs.CV cs.MM
4DenoiseNet: Adverse Weather Denoising from Adjacent Point Clouds
可靠的点云数据对于机器人和自动驾驶应用中的感知任务\textit{e.g.}至关重要。恶劣的天气会对光探测和测距（LiDAR）传感器数据产生特定类型的噪声，从而显著降低点云的质量。为了解决这个问题，这封信提出了一种新颖的点云不利天气去噪深度学习算法（4DenoiseNet）。与文献中的深度学习不利天气去噪方法不同，我们的算法利用了时间维度。它执行约10\%，更好的交集方面的联合度量相比，以前的工作，是更有效的计算。这些结果是在我们的新SnowyKITTI数据集上实现的，该数据集拥有超过40000个不利天气注释的点云。此外，加拿大不良驾驶条件数据集上的强有力的定性结果表明，域转移和不同的传感器本质具有良好的概括性。
2022-09-15 cs.CV cs.RO
Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks
Shanghai Jiao Tong University（上海交通大学）
本文提出细粒度动态图卷积网络GD-GCN用于三维点云去噪，通过微步时序图卷积、神经偏微分方程、黎曼距离几何图构建及Bernstein图谱滤波器，实现更精确的表面拟合与鲁棒去噪。
2024-11-21 cs.CV
Gradient-based Point Cloud Denoising with Uniformity
Tsinghua University（清华大学）；University of Bath（巴斯大学）
深度传感器获取的点云数据往往被噪声污染，阻碍了进一步的分析和应用。在本文中，我们强调点分布均匀性对下游任务的重要性。我们表明，现有的基于梯度的降噪产生的点云缺乏均匀性，尽管取得了可喜的定量结果。为此，我们提出了GPCD++，这是一种基于梯度的去噪器，具有一个名为UniNet的超轻量级网络来解决均匀性问题。与以前的最先进的方法相比，我们的方法不仅产生有竞争力的甚至更好的去噪结果，而且还显着提高了均匀性，这在很大程度上有利于表面重建等应用。
2022-07-21 cs.CV cs.GR
Graph-based denoising for time-varying point clouds
Signal Processing Laboratory (LTS2), Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院信号处理实验室（LTS2））
噪声3D点云出现在许多应用中。它们可能是由于从图像构建3D模型时的错误，或者仅仅是由于深度传感器不精确。可以使用从点之间的相似性信息创建的图形来给出点云的几何结构。本文介绍了一种技术，使用这种图结构和凸优化方法去噪三维点云。一个简短的讨论介绍了这些方法如何自然地推广到时变输入，如3D点云时间序列。
2015-11-16 cs.CV cs.GR
Total Denoising: Unsupervised Learning of 3D Point Cloud Cleaning
Ulm University（乌尔姆大学）；University College London（伦敦大学学院）
我们证明了3D点云的去噪可以在无监督的情况下学习，直接从嘈杂的3D点云数据中学习。这是通过将最近的想法从无监督图像去噪器的学习扩展到非结构化3D点云来实现的。无监督图像去噪器在以下假设下操作：噪声像素观察是围绕干净像素值的分布的随机实现，这允许对该分布进行适当的学习，以最终收敛到正确的值。遗憾的是，这种假设对于非结构化点是无效的：3D点云受到总噪声的影响，即。例如，所有坐标都有偏差，没有可靠的像素网格。因此，观察可以是干净的3D点的整个流形的实现，这使得将无监督图像去噪器幼稚地扩展到3D点云不切实际。为了克服这一点，我们引入了一个空间先验项，引导收敛到流形上许多可能模式中唯一最近的模式。我们的研究结果表明，无监督去噪性能类似于监督学习与干净的数据时，给予足够的训练样本-因此，我们不需要任何对嘈杂和干净的训练数据。
2019-10-17 cs.CV cs.GR
Fast graph-based denoising for point cloud color information
University of Southern California（南加州大学）；KDDI Research, Inc.（KDDI研究所）
针对大规模点云颜色去噪难以实时处理的问题，提出FGBD，通过多方向扫描快速建图、协方差特征值估计噪声及低成本滤波器选择，在约百万点帧上实现30fps且保持精度。
2024-06-15 cs.CV eess.IV eess.SP
UGD: An Unsupervised Geometric Distance for Evaluating Real-world Noisy Point Cloud Denoising
School of Automation, Nanjing University of Science and Technology（自动化学院，南京理工大学）；School of Computer Science and Engineering, Nanjing University of Science and Technology（计算机科学与工程学院，南京理工大学）
本文提出UGD，一种无监督几何距离，通过学习清洁点云的先验模型，基于噪声点云评估去噪效果，实验表明其性能与监督方法相当。
2026-04-18 cs.CV cs.GR
Score-Based Multibeam Point Cloud Denoising
KTH Royal Institute of Technology（瑞典皇家理工学院）；Ocean Infinity（海洋无限公司）
本研究针对多波束测深仪(MBES)数据中的噪声问题，改编了一种基于得分的3D点云去噪网络进行异常点检测与去噪，实验证明其优于经典方法且易于集成至现有标准工作流。
2024-09-20 cs.CV cs.LG
DenoiseGS: Gaussian Reconstruction Model for Burst Denoising
Shanghai Jiao Tong University（上海交通大学）；Johns Hopkins University（约翰霍普金斯大学）
DenoiseGS通过高斯自一致性损失和对数加权频率损失，实现了高效且高质量的爆破去噪，显著优于现有方法并提升推理速度。
2025-12-01 cs.CV
TripleMixer: A 3D Point Cloud Denoising Model for Adverse Weather
Grandzxw
本文提出TripleMixer点云去噪网络，通过空间、频率和通道三个mixer模块抑制恶劣天气噪声，并构建Weather-KITTI和Weather-NuScenes数据集及四项基准，验证其在多个下游任务上无需重训练即可显著提升LiDAR感知鲁棒性。
2025-08-21 cs.CV cs.RO
Few-shot point cloud reconstruction and denoising via learned Guassian splats renderings and fine-tuned diffusion features
提出一种利用从图像模型蒸馏的先验知识进行少样本点云重建与去噪的方法，通过语义一致性监督正则化可微渲染器并微调Stable Diffusion，在多个数据集上实现了更高质量的3D重建。
2024-04-24 cs.CG cs.CV
PCDNF: Revisiting Learning-based Point Cloud Denoising via Joint Normal Filtering
China University of Geosciences (Wuhan)（中国地质大学（武汉））；University of Science and Technology of China（中国科学技术大学）；Nanyang Technological University（南洋理工大学）
针对点云去噪问题，提出端到端网络PCDNF，通过联合法向滤波的多任务视角，结合形状感知选择器与特征细化模块融合点特征与法向特征，在去噪与保特征上均优于现有最优方法。
2023-07-03 cs.CV cs.GR
InJecteD: Analyzing Trajectories and Drift Dynamics in Denoising Diffusion Probabilistic Models for 2D Point Cloud Generation
Aarhus University（奥胡斯大学）；Tampere University（坦佩雷大学）
本文提出InJecteD框架，通过Wasserstein距离等指标分析2D点云生成中DDPM的去噪轨迹与漂移动力学，揭示了三个去噪阶段，并证明基于傅里叶的嵌入能提升轨迹稳定性与重建质量，从而增强模型透明度以支持人机协作。
2025-09-09 cs.CV cs.LG
Point Cloud Denoising and Outlier Detection with Local Geometric Structure by Dynamic Graph CNN
Waseda University（早稻田大学）
针对 PointCloudNet 未考虑 patch 局部几何结构的问题，提出基于 Dynamic Graph CNN 的两种图卷积层方法，在 AUPR 和 Chamfer Distance 指标上优于传统方法，提升了点云去噪与离群点检测精度。
2023-10-22 cs.AI cs.CV cs.MM
Dynamic Point Cloud Denoising via Manifold-to-Manifold Distance
Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机研究所）
3D动态点云提供了真实世界物体或运动场景的自然离散表示，在沉浸式远程呈现、自动驾驶、监控、\etc等领域具有广泛的应用。然而，由于硬件、软件或其他原因，动态点云经常受到噪声的干扰。虽然已经提出了大量的方法用于静态点云去噪，但很少有人努力用于动态点云的去噪，由于空间和时间上的不规则采样模式，这是非常具有挑战性的。在本文中，我们表示动态点云自然的时空图，并利用时间的一致性相对于底层表面（流形）。特别是，我们定义了一个流形到流形的距离和它的离散对应的图形来衡量的变化为基础的内在距离之间的表面补丁在时间域中，提供了图形运营商是离散对应的黎曼流形上的泛函。然后，我们建立相应的表面补丁之间的时间距离和空间域中相邻的补丁之间的点的时空图连通性。利用初始图形表示，我们将动态点云去噪公式化为所需点云和底层图形表示的联合优化，通过空间平滑性和时间一致性进行正则化。我们重新制定的优化，并提出了一个有效的算法。实验结果表明，无论是在高斯噪声还是模拟激光雷达噪声下，该方法的性能均显着优于最先进的静态点云去噪方法中每帧的独立去噪。
2020-10-28 cs.CV cs.LG cs.MM
Graph-Based Depth Denoising & Dequantization for Point Cloud Enhancement
Shandong University of Science and Technology（山东科技大学）；York University（约克大学）；InterDigital Communications Inc.（InterDigital通信公司）；Purdue University（普渡大学）
3D点云通常由传感器在一个或多个视点处获取的深度测量来构造。测量遭受量化和噪声破坏。为了提高质量，以前的作品去噪点云\textit{a posteriori}投影到三维空间的不完美的深度数据。相反，我们在合成3D点云之前，直接在感测图像\textit{a priori}上增强深度测量。通过增强近物理感测过程，我们在随后的处理步骤之前将我们的优化调整到我们的深度地层模型，从而掩盖测量误差。具体来说，我们模型的深度形成信号相关的噪声添加和非均匀的基于对数的量化的组合过程。使用从代表性深度传感器收集的经验数据来验证所设计的模型（具有拟合的参数）。为了增强深度图像中的每个像素行，我们首先通过特征图学习将可用行像素之间的视图内相似性编码为边缘权重。接下来，我们通过视点映射和稀疏线性插值来建立与另一个校正深度图像的视图间相似性。这导致最大后验概率（MAP）图过滤目标是凸的和可微的。我们有效地使用加速梯度下降（AGD），其中最佳步长近似通过Gershgorin圆定理（GCT）的目标最小化。实验表明，我们的方法显着优于最近的点云去噪方案和国家的最先进的图像去噪方案在两个既定的点云质量指标。
2022-10-06 cs.CV eess.IV
A Survey of Deep Learning-based Point Cloud Denoising
Department of Computer Science and Software Engineering, University of Western Australia（西澳大学计算机科学与软件工程系）；Multimedia Lab, Department of Information Engineering, the Chinese University of Hong Kong（香港中文大学信息工程系多媒体实验室）；School of Computer Science, China University of Geosciences (Wuhan)（中国地质大学（武汉）计算机科学学院）；College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
本文综述截至2025年8月的基于深度学习的点云去噪方法，从监督级别和建模视角分类，分析架构趋势、建立统一基准并评估性能，还讨论挑战与未来方向。
2025-08-23 cs.CV cs.GR
Diff-PCR: Diffusion-Based Correspondence Searching in Doubly Stochastic Matrix Space for Point Cloud Registration
Jinling Institute of Technology（金陵科技学院）；PCA Lab, Key Lab of Intelligent Perception and Systems for High-Dimensional Information of Ministry of Education, and Jiangsu Key Lab of Image and Video Understanding for Social Security, School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院，教育部高维信息智能感知与系统重点实验室，江苏省社会安全图像与视频理解重点实验室，PCA实验室）
本文提出Diff-PCR框架，利用去噪扩散模型在双随机矩阵空间中预测最优匹配矩阵的搜索梯度，通过迭代优化提升点云配准的准确性与效率。
2026-04-09 cs.CV
S23DR 2026: End-to-End 3D Wireframe Prediction via DETR-Style Set Prediction with Contrastive Denoising
University of California, Berkeley（加州大学伯克利分校）
提出WireframeDETR方法，直接对3D点云进行DETR风格集合预测，无需中间顶点检测，通过对比去噪训练、多尺度编码器和渐进辅助损失权重实现端到端3D线框预测，在S23DR 2026挑战赛上取得0.575 HSS。
2026-06-16 cs.CV
LiDAR Point Cloud Image-based Generation Using Denoising Diffusion Probabilistic Models
Johannes Kepler University Linz（约翰·凯撒大学林茨）；Department Intelligent Transport Systems（智能交通系统部门）
本研究针对自动驾驶LiDAR真实数据采集耗时、易受噪声稀疏影响的问题，提出基于改进去噪扩散概率模型（DDPM）的LiDAR点云图像生成方法，通过新型噪声调度与时间步嵌入技术生成高质量合成数据，提升自动驾驶3D视觉系统性能。
2025-09-23 cs.AI cs.CV
MODNet: Multi-offset Point Cloud Denoising Network Customized for Multi-scale Patches
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；University of Oxford（牛津大学）；University of Waterloo（滑铁卢大学）
三维曲面的复杂性往往导致尖端的点云去噪（PCD）模型在表面退化，包括残余噪声，错误地删除几何细节。虽然使用多尺度补丁编码的几何点已成为共同的智慧在PCD中，我们发现，提取的多尺度特征的简单聚合不能自适应地利用适当的尺度信息，根据周围的几何信息噪声点。它会导致表面退化，特别是对于靠近边缘的点和复杂曲面上的点。我们提出了一个有趣的问题，如果采用多尺度几何感知信息来指导网络利用多尺度信息，可以消除严重的表面退化问题？为了回答这个问题，我们提出了一个多偏移去噪网络（MODNet）定制的多尺度补丁。首先，我们提取低层次的三个尺度补丁的补丁特征编码器。其次，设计了多尺度感知模块，为每个尺度特征嵌入多尺度几何信息，并回归多尺度权值，以指导多偏移量去噪位移。第三，多偏移解码器回归三个尺度偏移，这是由多尺度权重引导，通过自适应加权来预测最终的位移。实验表明，我们的方法实现了新的国家的最先进的性能在合成和真实扫描的数据集。
2022-09-01 cs.AI cs.CV
Point-RTD: Replaced Token Denoising for Pretraining Transformer Models on Point Clouds
Department of Computer Science；Engineering, University of Nevada, Reno, USA
本文提出Point-RTD预训练策略，通过损坏-重建和判别器-生成器架构对点云Token进行去噪，在ShapeNet等基准上显著优于Point-MAE，重建误差降低93%以上，分类准确率更高且收敛更快。
2025-09-21 cs.AI cs.CV cs.LG
UPP: Unified Point-Level Prompting for Robust Point Cloud Analysis
Wangxuan Institute of Computer Technology, Peking University（计算机技术研究院，北京大学）
针对噪声和不完整点云导致预训练分析模型性能下降的问题，本文提出UPP，用校正、补全提示器和形状感知单元统一去噪与补全，并在四个数据集上验证其鲁棒性。
2025-07-25 cs.CV
Mixing-Denoising Generalizable Occupancy Networks
Inria（法国国家信息与自动化研究所）；Univ. Rennes（雷恩大学）；CNRS（法国国家科学研究中心）；IRISA（雷恩信息与自动化研究所）；M2S（运动、健康与社会实验室）
提出首个仅基于MLP的局部条件点云隐式形状重建网络，通过引入去噪辅助正则化约束假设空间，在仅用一半参数下超越最先进卷积方法。
2023-11-20 cs.AI cs.CV
Denoising Diffusion Probabilistic Model for Point Cloud Compression at Low Bit-Rates
LTCI, Télécom Paris, Institut Polytechnique de Paris（巴黎理工大学LTCI研究所）；University of Turin（都灵大学）；Wangxuan Institute of Computer Technology, Peking University（北京大学王轩计算机技术研究所）；Université Paris-Saclay, CNRS, CentraleSupélec, Laboratoire des Signaux et Systèmes（巴黎萨克雷大学、CNRS、CentraleSupélec信号与系统实验室）
针对现有点云压缩技术高码率的问题，提出基于DDPM的低码率点云压缩架构DDPM-PCC，结合PointNet编码器与可学习向量量化器，在ShapeNet和ModelNet40上实现了更优的低码率率失真性能，并开源了代码。
2025-05-19 cs.AI cs.CV cs.LG
Point-DAE: Denoising Autoencoders for Self-supervised Point Cloud Learning
Department of Computing, The Hong Kong Polytechnic University（计算系，香港理工大学）；School of Electronic and Information Engineering, South China University of Technology（电子与信息工程学院，华南理工大学）
本文提出Point-DAE，通过研究掩码之外的14种损坏类型（尤其是仿射变换），构建更通用的去噪自编码器进行自监督点云学习，并在多项3D任务上验证了其有效性。
2024-07-26 cs.AI cs.CV
Learning Graph-Convolutional Representations for Point Cloud Denoising
Politecnico di Torino（都灵理工大学）
点云是一种越来越相关的数据类型，但它们经常被噪声破坏。我们提出了一种基于图卷积层的深度神经网络，它可以优雅地处理基于学习的点云处理方法所遇到的置换不变性问题。该网络是完全卷积的，可以通过根据点的高维特征表示之间的相似性动态构建邻域图来构建复杂的特征层次。当再加上一个损失促进接近理想的表面，所提出的方法显着优于国家的最先进的方法上的各种指标。特别是，它是能够改善的倒角措施和质量的表面法线，可以估计从去噪数据。我们还表明，它在高噪声水平和存在结构化噪声（如在实际激光雷达扫描中遇到的噪声）时特别鲁棒。
2020-07-06 cs.CV cs.GR eess.IV
SuperPC: A Single Diffusion Model for Point Cloud Completion, Upsampling, Denoising, and Colorization
Spatial AI & Robotics (SAIR) Lab, University at Buffalo（空间人工智能与机器人实验室，布法罗大学）
针对点云补全、上采样、去噪和着色四类缺陷常共存且相互关联的问题，本文提出首个统一扩散模型SuperPC，通过三级条件框架和空间混合融合策略实现四任务并行处理，性能超越各专用模型及其组合。
2025-03-21 cs.CV cs.RO
Ada3Diff: Defending against 3D Adversarial Point Clouds via Adaptive Diffusion
University of Science and Technology of China（中国科学技术大学）；Simon Fraser University（西蒙弗雷泽大学）；Nanyang Technological University（南洋理工大学）
本文提出Ada3Diff防御框架，结合失真估计器与扩散模型，通过失真感知扩散和反向去噪恢复对抗点云，从而提升3D识别模型对自适应攻击的鲁棒性。
2023-09-22 cs.CV
Discrete Point Flow Networks for Efficient Point Cloud Generation
Univ. Grenoble Alpes（格勒诺布尔-阿尔卑斯大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔理工学院）；Facebook AI Research（Facebook人工智能研究院）
生成模型已被证明在建模3D形状及其统计变化方面是有效的。在本文中，我们调查他们的应用点云，三维形状表示广泛用于计算机视觉，但是，只有少数生成模型尚未提出。我们引入了一个潜在的变量模型，建立在规范化流与仿射耦合层生成一个潜在的形状表示的任意大小的3D点云。为了评估其形状建模的好处，我们将此模型用于生成，自动编码和单视图形状重建任务。我们在评估生成和自动编码的大多数指标方面改进了最近的基于GAN的模型。与最近基于连续流的工作相比，我们的模型在训练和推理时间上都有显着的加速，以获得类似或更好的性能。对于单视图形状重建，我们还获得了与最先进的体素，点云和基于网格的方法相当的结果。
2020-07-20 cs.CV
