SIMPC: Learning Self-Induced Mirror-Point Consistency for Unsupervised Point Cloud Denoising

Resumen Técnico: SIMPC: Aprendizaje de Consistencia de Puntos Espejo Inducidos por Sí Mismo para Desruido No Supervisado de Nubes de Puntos

Enunciado del Problema
El desruido de nubes de puntos es crítico para tareas posteriores como la reconstrucción de superficies y la comprensión semántica, sin embargo, enfrenta desafíos únicos en comparación con el desruido de imágenes 2D. En las imágenes, la indexación píxel a píxel permite correspondencias espaciales fijas a través de observaciones ruidosas, lo que permite a los métodos no supervisados tratar los valores ruidosos en la misma ubicación como realizaciones aleatorias de una señal limpia. En contraste, las nubes de puntos carecen de indexación espacial fija; el ruido perturba las coordenadas mismas, las cuales codifican tanto la ubicación espacial como la geometría. Esto rompe la consistencia de correspondencia a través de observaciones ruidosas.

Los métodos existentes de desruido de nubes de puntos no supervisados intentan aprender mapeos estadísticos a través de variantes ruidosas, pero sufren de "ambigüedad de correspondencia".

• Métodos basados en ruido (por ejemplo, Noise4Denoise, Noise2Score3D) generan variantes más ruidosas inyectando ruido aleatorio. Las correspondencias inducidas son impulsadas puramente por ruido estocástico y no apuntan explícitamente a la superficie objetivo.
• Métodos basados en EMD (por ejemplo, NoiseMap, U-CAN) utilizan la Distancia del Transportista de Tierra (Earth Mover's Distance) para imponer un transporte óptimo entre las salidas desruidadas y las variantes ruidosas. Si bien esto produce correspondencias más estructuradas que los enfoques basados en ruido, el transporte opera a nivel de la distribución del conjunto de puntos. No fomenta explícitamente la consistencia a nivel de punto con la superficie objetivo, lo que lleva a mapeos ambiguos donde los puntos pueden no representar diferentes observaciones de la misma superficie subyacente.

Metodología: Consistencia de Puntos Espejo Inducidos por Sí Mismo (SIMPC)
Los autores proponen SIMPC, un marco que aprende correspondencias deterministas uno a uno entre puntos y la superficie subyacente sin datos limpios emparejados. La idea central es establecer correspondencias autoinducidas a partir de un solo punto ruidoso en lugar de emparejar observaciones ruidosas muestreadas independientemente.

El marco opera sobre dos variantes ruidosas ($X_a, X_b$) procesadas independientemente a través de una tubería de desruido iterativa que consta de un Codificador, Bloques de Desruido y un Módulo de Generación de Puntos Espejo (MPGM).

1. Codificador: Utiliza un DGCNN de T capas con conexiones de salto para extraer características punto a punto de la nube de puntos ruidosa de entrada, construyendo vecindarios dinámicos en el espacio de características.
2. Bloque de Desruido: Emplea Autoatención de Puntos (PSA) para refinar características y mejorar la percepción geométrica local, seguido de un decodificador que predice un vector de desruido punto a punto ($d_i$). Las coordenadas del punto se actualizan iterativamente: $x_i^l = x_i^{l-1} + d_i^l$.
3. Módulo de Generación de Puntos Espejo (MPGM): Este es el componente novedoso diseñado para crear correspondencias deterministas. Para un punto semilla ruidoso $x_i$ y su vector de desruido $d_i$:
   • Se genera un punto semilla desruido estándar: $\hat{x}_i = x_i + w_1 d_i$ (donde $w_1=1$).
   • Se genera un punto espejo en el lado opuesto de la superficie subyacente extendiendo el vector de desruido con un factor de escala mayor: $\tilde{x}_i = x_i + w_2 d_i$ (donde $w_2=2$).
   • El vecindario local para este punto espejo se vuelve a calcular en la nube ruidosa original (excluyendo el punto original).
   • Las mismas operaciones de PSA y decodificador se aplican al vecindario del punto espejo para predecir un vector de desruido de espejo ($\tilde{d}_i$) y obtener un punto espejo desruido: $\bar{x}_i = \tilde{x}_i + \tilde{d}_i$.
4. Pérdida de Consistencia de Puntos Espejo (MPCL): El método impone consistencia entre el punto semilla desruido ($\hat{x}_i$) y el punto espejo desruido ($\bar{x}_i$), los cuales están asociados determinísticamente con la misma ubicación de la superficie subyacente pero exhiben diferentes estados de ruido vecino. La pérdida se define como:
   $$L_{MPC} = \sum_{i=1}^{N} \|\hat{x}_i - \bar{x}_i\|_2^2$$
   Esto incentiva que ambos puntos converjan a una superficie objetivo común, localizando efectivamente la posición de la superficie.
5. Objetivo General: La pérdida total combina la MPCL con una regularización de similitud basada en la Distancia de Chamfer ($L_{SR}$) entre las dos variantes ruidosas independientes para proporcionar restricciones de similitud gruesas.

Contribuciones Clave

• Marco Novel: Introducción de SIMPC, un marco no supervisado que establece correspondencias deterministas uno a uno entre puntos ruidosos asociados a la misma superficie objetivo, abordando la ambigüedad de correspondencia inherente a los métodos anteriores.
• MPGM y MPCL: El diseño del Módulo de Generación de Puntos Espejo para extraer priores geométricos y generar contrapartes de espejo autoinducidas, acoplado con la Pérdida de Consistencia de Puntos Espejo para imponer objetivos de desruido consistentes.
• Rendimiento: Experimentos extensos demuestran que SIMPC logra un rendimiento de vanguardia (SOTA) entre métodos no supervisados tanto en conjuntos de datos sintéticos (PUNet, PCNet) como del mundo real (Paris-Rue-Madame, Kinect). Notablemente, supera a varios contrapartes supervisados fuertes.

Resultados Experimentales
Los autores evaluaron SIMPC en conjuntos de datos sintéticos con ruido gaussiano y no gaussiano (Laplaciano, Discreto, Anisotrópico, Uniforme), así como en escaneos del mundo real.

• Métricas Cuantitativas: SIMPC superó consistentemente a los métodos no supervisados existentes (por ejemplo, Noise2Score3D, U-CAN, Score-U) y a los métodos basados en optimización (por ejemplo, GLR, MRPCA) en términos de Distancia de Chamfer (CD) y Distancia Punto-a-Malla (P2M). En muchos casos, logró tasas de error más bajas que métodos supervisados como PD-Refiner y StraightPCF.
• Resultados Cualitativos: Las visualizaciones mostraron que SIMPC suprimió efectivamente el ruido residual y produjo superficies más suaves con mejor alineación a la geometría subyacente en comparación con métodos que sufrían de artefactos de agrupamiento o convergencia de estructura lineal.
• Estudios de Ablación: Eliminar la MPCL y depender únicamente de restricciones basadas en Distancia de Chamfer o EMD resultó en un rendimiento significativamente degradado, validando la necesidad de correspondencias deterministas. Se encontró que el diseño de simetría geométrica ($w_2=2$) era óptimo en comparación con configuraciones no simétricas.

Significado y Afirmaciones
El artículo afirma que SIMPC aborda la limitación fundamental de la ambigüedad de correspondencia en el desruido no supervisado de nubes de puntos. Al aprovechar priores geométricos extraídos durante el proceso de desruido para generar puntos espejo autoinducidos, el método aprende correspondencias deterministas que permiten una localización precisa de la superficie subyacente. Los autores afirman que este enfoque no solo cierra la brecha con los métodos supervisados, sino que, en varios casos, los supera, demostrando que se puede lograr un desruido de alta calidad sin la necesidad de datos de entrenamiento ruidos-limpio emparejados. El trabajo está respaldado por el Programa Nacional de Investigación y Desarrollo de China.