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

Sintesi Tecnica: SIMPC: Apprendimento della Coerenza del Punto Speculare Auto-Indotta per la Rimozione del Rumore Non Supervisionata dalle Nuvole di Punti

Enunciazione del Problema
La rimozione del rumore dalle nuvole di punti è fondamentale per compiti a valle come la ricostruzione di superfici e la comprensione semantica, ma affronta sfide uniche rispetto alla rimozione del rumore dalle immagini 2D. Nelle immagini, l'indicizzazione pixel per pixel consente corrispondenze spaziali fisse tra osservazioni rumorose, permettendo ai metodi non supervisionati di trattare i valori rumorosi nella stessa posizione come realizzazioni casuali di un segnale pulito. Al contrario, le nuvole di punti mancano di un'indicizzazione spaziale fissa; il rumore perturba le coordinate stesse, che codificano sia la posizione spaziale che la geometria. Ciò rompe la coerenza delle corrispondenze tra osservazioni rumorose.

I metodi esistenti di rimozione del rumore non supervisionata dalle nuvole di punti tentano di apprendere mappature statistiche tra varianti rumorose, ma soffrono di "ambiguità di corrispondenza".

• Metodi basati sul rumore (ad es. Noise4Denoise, Noise2Score3D) generano varianti più rumorose iniettando rumore casuale. Le corrispondenze indotte sono guidate esclusivamente dal rumore stocastico e non puntano esplicitamente alla superficie target.
• Metodi basati sulla DME (ad es. NoiseMap, U-CAN) utilizzano la Distanza del Trasportatore Terrestre (Earth Mover's Distance) per imporre un trasporto ottimale tra le uscite denoised e le varianti rumorose. Sebbene ciò produca corrispondenze più strutturate rispetto agli approcci basati sul rumore, il trasporto opera a livello della distribuzione dell'insieme di punti. Non incoraggia esplicitamente la coerenza a livello di punto con la superficie target, portando a mappature ambigue in cui i punti potrebbero non rappresentare osservazioni diverse della stessa superficie sottostante.

Metodologia: Coerenza del Punto Speculare Auto-Indotta (SIMPC)
Gli autori propongono SIMPC, un framework che apprende corrispondenze deterministiche uno-a-uno tra punti e la superficie sottostante senza dati puliti accoppiati. L'idea centrale è stabilire corrispondenze auto-indotte da un singolo punto rumoroso invece di abbinare osservazioni rumorose campionate indipendentemente.

Il framework opera su due varianti rumorose ($X_a, X_b$) elaborate indipendentemente attraverso una pipeline di rimozione del rumore iterativa composta da un Encoder, Blocchi Denoiser e un Modulo di Generazione del Punto Speculare (MPGM).

1. Encoder: Utilizza un DGCNN a T livelli con connessioni residue per estrarre caratteristiche punto per punto dalla nuvola di punti rumorosa in ingresso, costruendo vicinati dinamici nello spazio delle caratteristiche.
2. Blocco Denoiser: Impiega l'Auto-Attenzione del Punto (PSA) per raffinare le caratteristiche e migliorare la percezione geometrica locale, seguito da un decoder che prevede un vettore di rimozione del rumore punto per punto ($d_i$). Le coordinate del punto vengono aggiornate iterativamente: $x_i^l = x_i^{l-1} + d_i^l$.
3. Modulo di Generazione del Punto Speculare (MPGM): Questo è il componente innovativo progettato per creare corrispondenze deterministiche. Per un punto seme rumoroso $x_i$ e il suo vettore di rimozione del rumore $d_i$:
   • Viene generato un punto seme denoised standard: $\hat{x}_i = x_i + w_1 d_i$ (dove $w_1=1$).
   • Viene generato un punto speculare sul lato opposto della superficie sottostante estendendo il vettore di rimozione del rumore con un fattore di scala maggiore: $\tilde{x}_i = x_i + w_2 d_i$ (dove $w_2=2$).
   • Il vicinato locale per questo punto speculare viene ricalcolato nella nuvola rumorosa originale (escludendo il punto originale).
   • Le stesse operazioni PSA e del decoder vengono applicate al vicinato del punto speculare per prevedere un vettore di rimozione del rumore speculare ($\tilde{d}_i$) e ottenere un punto speculare denoised: $\bar{x}_i = \tilde{x}_i + \tilde{d}_i$.
4. Funzione di Perdita di Coerenza del Punto Speculare (MPCL): Il metodo impone la coerenza tra il punto seme denoised ($\hat{x}_i$) e il punto speculare denoised ($\bar{x}_i$), che sono associati deterministicamente alla stessa posizione della superficie sottostante ma presentano diversi stati di rumore nei vicinati. La perdita è definita come:
   $$L_{MPC} = \sum_{i=1}^{N} \|\hat{x}_i - \bar{x}_i\|_2^2$$
   Ciò incoraggia entrambi i punti a convergere verso una superficie target comune, localizzando efficacemente la posizione della superficie.
5. Obiettivo Complessivo: La perdita totale combina la MPCL con una regolarizzazione di similarità basata sulla Distanza di Chamfer ($L_{SR}$) tra le due varianti rumorose indipendenti per fornire vincoli di similarità grezzi.

Contributi Chiave

• Nuovo Framework: Introduzione di SIMPC, un framework non supervisionato che stabilisce corrispondenze deterministiche uno-a-uno tra punti rumorosi associati alla stessa superficie target, affrontando l'ambiguità di corrispondenza intrinseca nei metodi precedenti.
• MPGM e MPCL: La progettazione del Modulo di Generazione del Punto Speculare per estrarre priori geometrici e generare controparti speculari auto-indotte, accoppiata alla Funzione di Perdita di Coerenza del Punto Speculare per imporre target di rimozione del rumore coerenti.
• Prestazioni: Esperimenti estesi dimostrano che SIMPC raggiunge prestazioni all'avanguardia (SOTA) tra i metodi non supervisionati sia su dataset sintetici (PUNet, PCNet) che su dataset reali (Paris-Rue-Madame, Kinect). Notevolmente, supera diversi forti corrispettivi supervisionati.

Risultati Sperimentali
Gli autori hanno valutato SIMPC su dataset sintetici con rumore Gaussiano e non Gaussiano (Laplaciano, Discreto, Anisotropo, Uniforme), nonché su scansioni reali.

• Metriche Quantitative: SIMPC ha costantemente superato i metodi non supervisionati esistenti (ad es. Noise2Score3D, U-CAN, Score-U) e i metodi basati sull'ottimizzazione (ad es. GLR, MRPCA) in termini di Distanza di Chamfer (CD) e Distanza Punto-Mesh (P2M). In molti casi, ha raggiunto tassi di errore inferiori rispetto a metodi supervisionati come PD-Refiner e StraightPCF.
• Risultati Qualitativi: Le visualizzazioni hanno mostrato che SIMPC sopprime efficacemente il rumore residuo e produce superfici più lisce con un migliore allineamento alla geometria sottostante rispetto ai metodi che soffrivano di artefatti di clustering o convergenza di strutture lineari.
• Studi di Ablazione: La rimozione della MPCL e il ricorso esclusivo a vincoli basati sulla Distanza di Chamfer o sulla DME hanno portato a prestazioni significativamente degradate, validando la necessità di corrispondenze deterministiche. Il design di simmetria geometrica ($w_2=2$) è risultato ottimale rispetto a impostazioni non simmetriche.

Significato e Affermazioni
Il paper afferma che SIMPC affronta la limitazione fondamentale dell'ambiguità di corrispondenza nella rimozione del rumore non supervisionata dalle nuvole di punti. Sfruttando i priori geometrici estratti durante il processo di rimozione del rumore per generare punti speculari auto-indotti, il metodo apprende corrispondenze deterministiche che permettono una localizzazione accurata della superficie sottostante. Gli autori affermano che questo approccio non solo colma il divario con i metodi supervisionati, ma in diversi casi li supera, dimostrando che è possibile ottenere una rimozione del rumore di alta qualità senza la necessità di dati di addestramento rumorosi-puliti accoppiati. Il lavoro è sostenuto dal Programma Nazionale di Ricerca e Sviluppo di China.