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

技術サマリー：SIMPC 教師なし点群ノイズ除去のための自己誘発ミラーポイント整合性の学習

問題定義
点群ノイズ除去は、表面再構成や意味理解などの下流タスクにとって不可欠ですが、2 次元画像ノイズ除去と比較して固有の課題に直面しています。画像では、ピクセル単位のインデックス付けにより、ノイズを含む観測間において固定された空間的対応が可能となり、教師なし手法は、同じ位置におけるノイズ値をクリーンな信号のランダムな実現として扱うことができます。これに対し、点群には固定された空間インデックスが存在せず、ノイズは空間位置と幾何形状の両方を符号化する座標そのものを攪乱します。これにより、ノイズを含む観測間での対応関係の一貫性が崩れます。

既存の教師なし点群ノイズ除去手法は、ノイズバリエーション間での統計的マッピングの学習を試みますが、「対応の曖昧さ」に悩まされています。

• ノイズベース手法（例：Noise4Denoise、Noise2Score3D）は、ランダムなノイズを注入することでよりノイズの多いバリエーションを生成します。ここで誘発される対応は、純粋に確率的なノイズによって駆動され、対象表面を明示的に指し示すものではありません。
• EMD ベース手法（例：NoiseMap、U-CAN）は、地球移動距離（Earth Mover's Distance）を用いて、ノイズ除去出力とノイズバリエーション間の最適輸送を課します。これはノイズベースのアプローチよりも構造化された対応をもたらしますが、輸送は点集合分布レベルで動作します。これは対象表面との点レベルの一貫性を明示的に促すものではなく、点が同じ基盤表面の異なる観測を表していない可能性のある曖昧なマッピングにつながります。

手法：自己誘発ミラーポイント整合性（SIMPC）
著者は、ペアリングされたクリーンデータなしで、点と基盤表面間の決定論的 1 対 1 対応を学習するフレームワーク、SIMPC を提案します。核心的な洞察は、独立してサンプリングされたノイズ観測をマッチングさせるのではなく、単一のノイズ点から自己誘発される対応を確立することにあります。

このフレームワークは、エンコーダ、ノイズ除去ブロック、ミラーポイント生成モジュール（MPGM）からなる反復的ノイズ除去パイプラインを独立して処理される 2 つのノイズバリエーション（$X_a, X_b$）上で動作します。

1. エンコーダ: 入力ノイズ点群から点ごとの特徴を抽出するために、スキップ接続を備えた T 層 DGCNN を利用し、特徴空間内で動的な近傍を構築します。
2. ノイズ除去ブロック: 特徴を洗練し、局所的な幾何知覚を強化するためにポイント自己注意（PSA）を採用し、その後、点ごとのノイズ除去ベクトル（$d_i$）を予測するデコーダが続きます。点座標は反復的に更新されます：$x_i^l = x_i^{l-1} + d_i^l$。
3. ミラーポイント生成モジュール（MPGM）: 決定論的対応を創出するように設計された新規コンポーネントです。ノイズ種子点 $x_i$ とそのノイズ除去ベクトル $d_i$ に対して：
   • 標準的なノイズ除去済み種子点が生成されます：$\hat{x}_i = x_i + w_1 d_i$（ここで $w_1=1$）。
   • ミラーポイントは、より大きなスケーリング因子でノイズ除去ベクトルを延長することで、基盤表面の反対側に生成されます：$\tilde{x}_i = x_i + w_2 d_i$（ここで $w_2=2$）。
   • このミラーポイントの局所近傍は、元のノイズ点群（元の点を除く）で再計算されます。
   • 同じ PSA とデコーダ操作がミラーポイントの近傍に適用され、ミラーノイズ除去ベクトル（$\tilde{d}_i$）が予測され、ノイズ除去済みミラーポイントが得られます：$\bar{x}_i = \tilde{x}_i + \tilde{d}_i$。
4. ミラーポイント整合性損失（MPCL）: この手法は、同じ基盤表面位置に決定論的に関連付けられるが異なる近傍ノイズ状態を示す、ノイズ除去済み種子点（$\hat{x}_i$）とノイズ除去済みミラーポイント（$\bar{x}_i$）間の整合性を強制します。損失は以下のように定義されます：
   $$L_{MPC} = \sum_{i=1}^{N} \|\hat{x}_i - \bar{x}_i\|_2^2$$
   これにより、両方の点が共通の目標表面に収束し、実効的に表面位置を局所化します。
5. 全体目的: 総損失は、MPCL と、2 つの独立したノイズバリエーション間の粗い類似性制約を提供するチャンファー距離ベースの類似性正則化（$L_{SR}$）を組み合わせます。

主な貢献

• 新規フレームワーク: 同一の目標表面に関連するノイズ点間の決定論的 1 対 1 対応を確立する教師なしフレームワーク、SIMPC の導入。これは、既存手法に内在する対応の曖昧さに対処します。
• MPGM と MPCL: 幾何学的事前知識を抽出し、自己誘発されたミラー対応を生成するためのミラーポイント生成モジュールの設計と、一貫したノイズ除去目標を強制するためのミラーポイント整合性損失の組み合わせ。
• 性能: 広範な実験により、SIMPC が合成データセット（PUNet、PCNet）および実世界データセット（Paris-Rue-Madame、Kinect）の両方で、教師なし手法の中で最先端（SOTA）の性能を達成することが示されました。特に、いくつかの強力な教師あり手法を上回っています。

実験結果
著者は、SIMPC をガウスおよび非ガウス（ラプラス、離散、異方性、一様）ノイズを伴う合成データセット、ならびに実世界スキャン上で評価しました。

• 定量的指標: SIMPC は、チャンファー距離（CD）およびポイントツーメッシュ（P2M）距離の観点から、既存の教師なし手法（例：Noise2Score3D、U-CAN、Score-U）および最適化ベース手法（例：GLR、MRPCA）を常に上回りました。多くの場合、PD-Refiner や StraightPCF などの教師あり手法よりも低い誤差率を達成しました。
• 定性的結果: 可視化により、SIMPC が残留ノイズを効果的に抑制し、クラスタリングアーティファクトや線形構造収束に悩まされた手法と比較して、より滑らかな表面を生成し、基盤幾何形状との整列が優れていることが示されました。
• アブレーション研究: MPCL を除去し、チャンファー距離または EMD ベースの制約のみに依存すると、性能が著しく低下し、決定論的対応の必要性が実証されました。幾何学的対称性の設計（$w_2=2$）は、非対称な設定と比較して最適であることが判明しました。

意義と主張
本論文は、SIMPC が教師なし点群ノイズ除去における対応の曖昧性という根本的な限界に対処すると主張しています。ノイズ除去プロセス中に抽出された幾何学的事前知識を活用して自己誘発ミラーポイントを生成することで、この手法は基盤表面の正確な局所化を可能にする決定論的対応を学習します。著者は、このアプローチが教師あり手法とのギャップを埋めるだけでなく、いくつかの事例ではそれらを上回り、ペアリングされたノイズ - クリーンなトレーニングデータなしで高品質なノイズ除去が達成可能であることを実証していると述べています。本研究は、中国国家重点研究開発計画の支援を受けています。