論文の概要: A Survey of Deep Learning-based Point Cloud Denoising

• arxiv url: http://arxiv.org/abs/2508.17011v1
• Date: Sat, 23 Aug 2025 12:53:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.298509
• Title: A Survey of Deep Learning-based Point Cloud Denoising
• Title（参考訳）: 深層学習に基づくポイントクラウドDenoisingに関する調査
• Authors: Jinxi Wang, Ben Fei, Dasith de Silva Edirimuni, Zheng Liu, Ying He, Xuequan Lu,
• Abstract要約: 3D幾何学の獲得は、コンピュータグラフィックス、自律運転、ロボット工学、拡張現実など、幅広いアプリケーションに欠かせない。 ポイントクラウドのデノゲーションは基本的な問題であり、基盤となる構造を保ちながらクリーンなポイントセットを回復することを目的としている。 最近のディープラーニングアプローチでは、ニューラルネットワークアーキテクチャを活用して、独特な表現を学び、強力な結果を示す。
• 参考スコア（独自算出の注目度）: 33.836800238178284
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate 3D geometry acquisition is essential for a wide range of applications, such as computer graphics, autonomous driving, robotics, and augmented reality. However, raw point clouds acquired in real-world environments are often corrupted with noise due to various factors such as sensor, lighting, material, environment etc, which reduces geometric fidelity and degrades downstream performance. Point cloud denoising is a fundamental problem, aiming to recover clean point sets while preserving underlying structures. Classical optimization-based methods, guided by hand-crafted filters or geometric priors, have been extensively studied but struggle to handle diverse and complex noise patterns. Recent deep learning approaches leverage neural network architectures to learn distinctive representations and demonstrate strong outcomes, particularly on complex and large-scale point clouds. Provided these significant advances, this survey provides a comprehensive and up-to-date review of deep learning-based point cloud denoising methods up to August 2025. We organize the literature from two perspectives: (1) supervision level (supervised vs. unsupervised), and (2) modeling perspective, proposing a functional taxonomy that unifies diverse approaches by their denoising principles. We further analyze architectural trends both structurally and chronologically, establish a unified benchmark with consistent training settings, and evaluate methods in terms of denoising quality, surface fidelity, point distribution, and computational efficiency. Finally, we discuss open challenges and outline directions for future research in this rapidly evolving field.
• Abstract（参考訳）: コンピュータグラフィックス、自律運転、ロボット工学、拡張現実など、幅広いアプリケーションにおいて、正確な3D幾何学の獲得が不可欠である。 しかし, 実環境において得られた生点雲は, センサ, 照明, 材料, 環境など様々な要因により騒音によって劣化し, 幾何学的忠実度が低下し, 下流性能が低下する。 ポイントクラウドのデノゲーションは基本的な問題であり、基盤となる構造を保ちながらクリーンなポイントセットを回復することを目的としている。 古典的な最適化に基づく手法は手作りのフィルタや幾何学的先行法によって導かれ、広く研究されてきたが、多様で複雑なノイズパターンを扱うのに苦労している。 最近のディープラーニングアプローチでは、ニューラルネットワークアーキテクチャを活用して、顕著な表現を学び、特に複雑で大規模なポイントクラウド上で強力な結果を示す。 これらの大きな進歩が得られたこの調査は、2025年8月までのディープラーニングベースのポイントクラウドDenoisingメソッドの、包括的で最新のレビューを提供する。 文献は,(1)監督レベル(教師なし対教師なし)と(2)モデリングの視点の2つの視点から整理し,その原則によって多様なアプローチを統一する機能的分類法を提案する。 さらに、構造的および時間的両方のアーキテクチャトレンドを分析し、一貫したトレーニング設定で統一されたベンチマークを確立し、品質、表面忠実度、点分布、計算効率を判断する手法を評価する。 最後に、オープンな課題について論じ、この急速に発展する分野における今後の研究の方向性について概説する。

関連論文リスト

• UPP: Unified Point-Level Prompting for Robust Point Cloud Analysis [36.565699477170504]
  既存の方法は、専用のデノベーションと完了モデルを開発することによって、ポイントクラウドの品質を向上させることに重点を置いている。 本稿では,点雲の復調と完了をプロンプト機構として再構成する統一点レベルプロンプト手法を提案する。 4つのデータセットに対する大規模な実験は、ノイズや不完全点のクラウドデータを扱う際の方法の優位性と堅牢性を示している。
  論文  参考訳（メタデータ） (2025-07-25T06:54:30Z)
• Human as Points: Explicit Point-based 3D Human Reconstruction from Single-view RGB Images [71.91424164693422]
  我々はHaPと呼ばれる明示的なポイントベース人間再構築フレームワークを導入する。 提案手法は,3次元幾何学空間における完全明示的な点雲推定,操作,生成,洗練が特徴である。 我々の結果は、完全に明示的で幾何学中心のアルゴリズム設計へのパラダイムのロールバックを示すかもしれない。
  論文  参考訳（メタデータ） (2023-11-06T05:52:29Z)
• Bidirectional Knowledge Reconfiguration for Lightweight Point Cloud Analysis [74.00441177577295]
  ポイントクラウド分析は計算システムのオーバーヘッドに直面し、モバイルやエッジデバイスでの利用を制限する。 本稿では,軽量点雲モデルのための特徴蒸留について検討する。 本研究では,教師から生徒への情報的文脈的知識を抽出するための双方向知識再構成を提案する。
  論文  参考訳（メタデータ） (2023-10-08T11:32:50Z)
• Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
  本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。 現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。 我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
  論文  参考訳（メタデータ） (2023-07-27T03:42:12Z)
• Risk-optimized Outlier Removal for Robust 3D Point Cloud Classification [54.286437930350445]
  本稿では,各種ノイズによる点雲分類の課題について述べる。 本稿では,下流分類モデルのパワーを生かした革新的なポイントアウトリア浄化手法を提案する。 提案手法は, 多様な点雲の異常値を頑健にフィルタするだけでなく, 既存の点雲分類手法を大幅に強化する。
  論文  参考訳（メタデータ） (2023-07-20T13:47:30Z)
• Improving Time Series Encoding with Noise-Aware Self-Supervised Learning and an Efficient Encoder [15.39384259348351]
  本稿では,自然時系列におけるノイズ発生信号の存在を考慮し,一貫した表現学習を促進する革新的な学習戦略を提案する。 また,インセプションブロック内に拡張畳み込みを組み込んだエンコーダアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-06-11T04:00:11Z)
• Point Cloud Registration for LiDAR and Photogrammetric Data: a Critical Synthesis and Performance Analysis on Classic and Deep Learning Algorithms [7.874736360019618]
  本稿では,SOTA(State-of-the-art)ポイントクラウド登録手法について概観する。 本研究では,屋内から衛星まで多様な点雲データを用いて,これらの手法を解析・評価する。 古典的な手作り、ディープラーニングに基づく特徴対応、堅牢なC2C手法を含む10以上の手法が試験された。
  論文  参考訳（メタデータ） (2023-02-14T16:52:26Z)
• Geometric and Learning-based Mesh Denoising: A Comprehensive Survey [17.652531757914]
  メッシュデノイングはデジタル幾何学処理の基本的な問題である。 従来の幾何学的アプローチと最近の学習に基づく手法の両方を含むメッシュ認知の進歩を概観する。
  論文  参考訳（メタデータ） (2022-09-02T06:54:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。