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

Resumo Técnico: SIMPC: Aprendizado de Consistência de Ponto Espelho Induzido Automaticamente para Remoção de Ruído em Nuvem de Pontos Não Supervisionada

Declaração do Problema
A remoção de ruído em nuvens de pontos é crítica para tarefas subsequentes como reconstrução de superfícies e compreensão semântica, ainda que enfrente desafios únicos em comparação com a remoção de ruído em imagens 2D. Nas imagens, a indexação pixel a pixel permite correspondências espaciais fixas entre observações ruidosas, permitindo que métodos não supervisionados tratem valores ruidosos na mesma localização como realizações aleatórias de um sinal limpo. Em contraste, as nuvens de pontos carecem de indexação espacial fixa; o ruído perturba as próprias coordenadas, que codificam tanto a localização espacial quanto a geometria. Isso rompe a consistência de correspondência entre observações ruidosas.

Métodos existentes de remoção de ruído em nuvens de pontos não supervisionados tentam aprender mapeamentos estatísticos entre variantes ruidosas, mas sofrem de "ambiguidade de correspondência".

• Métodos baseados em ruído (por exemplo, Noise4Denoise, Noise2Score3D) geram variantes mais ruidosas injetando ruído aleatório. As correspondências induzidas são impulsionadas puramente por ruído estocástico e não apontam explicitamente para a superfície alvo.
• Métodos baseados em EMD (por exemplo, NoiseMap, U-CAN) utilizam a Distância do Transportador de Terra (Earth Mover's Distance) para impor transporte ótimo entre saídas desruidadas e variantes ruidosas. Embora isso produza correspondências mais estruturadas do que abordagens baseadas em ruído, o transporte opera no nível da distribuição do conjunto de pontos. Não encoraja explicitamente a consistência no nível do ponto com a superfície alvo, levando a mapeamentos ambíguos onde os pontos podem não representar diferentes observações da mesma superfície subjacente.

Metodologia: Consistência de Ponto Espelho Induzido Automaticamente (SIMPC)
Os autores propõem o SIMPC, um framework que aprende correspondências determinísticas um-para-um entre pontos e a superfície subjacente sem dados limpos emparelhados. A ideia central é estabelecer correspondências induzidas automaticamente a partir de um único ponto ruidoso, em vez de corresponder observações ruidosas amostradas independentemente.

O framework opera em duas variantes ruidosas ($X_a, X_b$) processadas independentemente através de um pipeline iterativo de remoção de ruído consistindo em um Codificador, Blocos de Remoção de Ruído e um Módulo de Geração de Pontos Espelho (MPGM).

1. Codificador: Utiliza um DGCNN de T camadas com conexões de salto para extrair características ponto a ponto da nuvem de pontos ruidosa de entrada, construindo vizinhanças dinâmicas no espaço de características.
2. Bloco de Remoção de Ruído: Emprega Atenção Auto-Ponto (PSA) para refinar características e aprimorar a percepção geométrica local, seguido por um decodificador que prevê um vetor de remoção de ruído ponto a ponto ($d_i$). As coordenadas do ponto são atualizadas iterativamente: $x_i^l = x_i^{l-1} + d_i^l$.
3. Módulo de Geração de Pontos Espelho (MPGM): Este é o componente inovador projetado para criar correspondências determinísticas. Para um ponto semente ruidoso $x_i$ e seu vetor de remoção de ruído $d_i$:
   • Um ponto semente desruidado padrão é gerado: $\hat{x}_i = x_i + w_1 d_i$ (onde $w_1=1$).
   • Um ponto espelho é gerado no lado oposto da superfície subjacente estendendo o vetor de remoção de ruído com um fator de escala maior: $\tilde{x}_i = x_i + w_2 d_i$ (onde $w_2=2$).
   • A vizinhança local para este ponto espelho é recalculada na nuvem ruidosa original (excluindo o ponto original).
   • As mesmas operações de PSA e decodificador são aplicadas à vizinhança do ponto espelho para prever um vetor de remoção de ruído espelho ($\tilde{d}_i$) e obter um ponto espelho desruidado: $\bar{x}_i = \tilde{x}_i + \tilde{d}_i$.
4. Função de Perda de Consistência de Ponto Espelho (MPCL): O método impõe consistência entre o ponto semente desruidado ($\hat{x}_i$) e o ponto espelho desruidado ($\bar{x}_i$), que estão associados deterministicamente à mesma localização da superfície subjacente, mas exibem diferentes estados de ruído vizinhos. A perda é definida como:
   $$L_{MPC} = \sum_{i=1}^{N} \|\hat{x}_i - \bar{x}_i\|_2^2$$
   Isso encoraja ambos os pontos a convergirem para uma superfície alvo comum, efetivamente localizando a posição da superfície.
5. Objetivo Geral: A perda total combina a MPCL com uma regularização de similaridade baseada em Distância de Chamfer ($L_{SR}$) entre as duas variantes ruidosas independentes para fornecer restrições de similaridade grosseiras.

Principais Contribuições

• Framework Inovador: Introdução do SIMPC, um framework não supervisionado que estabelece correspondências determinísticas um-para-um entre pontos ruidosos associados à mesma superfície alvo, abordando a ambiguidade de correspondência inerente aos métodos anteriores.
• MPGM e MPCL: O design do Módulo de Geração de Pontos Espelho para extrair priores geométricos e gerar contrapartes espelho induzidas automaticamente, acoplado à Função de Perda de Consistência de Ponto Espelho para impor alvos de remoção de ruído consistentes.
• Desempenho: Experimentos extensivos demonstram que o SIMPC alcança desempenho de última geração (SOTA) entre métodos não supervisionados em conjuntos de dados sintéticos (PUNet, PCNet) e do mundo real (Paris-Rue-Madame, Kinect). Notavelmente, supera vários contrapartes supervisionados robustos.

Resultados Experimentais
Os autores avaliaram o SIMPC em conjuntos de dados sintéticos com ruído Gaussiano e não Gaussiano (Laplaciano, Discreto, Anisotrópico, Uniforme), bem como em varreduras do mundo real.

• Métricas Quantitativas: O SIMPC superou consistentemente métodos não supervisionados existentes (por exemplo, Noise2Score3D, U-CAN, Score-U) e métodos baseados em otimização (por exemplo, GLR, MRPCA) em termos de Distância de Chamfer (CD) e Distância Ponto-para-Malha (P2M). Em muitos casos, alcançou taxas de erro mais baixas do que métodos supervisionados como PD-Refiner e StraightPCF.
• Resultados Qualitativos: Visualizações mostraram que o SIMPC suprimiu efetivamente o ruído residual e produziu superfícies mais suaves com melhor alinhamento à geometria subjacente em comparação com métodos que sofreram de artefatos de agrupamento ou convergência de estrutura linear.
• Estudos de Ablação: A remoção da MPCL e a dependência exclusiva de restrições baseadas em Distância de Chamfer ou EMD resultaram em desempenho significativamente degradado, validando a necessidade de correspondências determinísticas. O design de simetria geométrica ($w_2=2$) foi encontrado como ótimo em comparação com configurações não simétricas.

Significado e Alegações
O artigo afirma que o SIMPC aborda a limitação fundamental da ambiguidade de correspondência na remoção de ruído em nuvens de pontos não supervisionada. Ao aproveitar priores geométricos extraídos durante o processo de remoção de ruído para gerar pontos espelho induzidos automaticamente, o método aprende correspondências determinísticas que permitem a localização precisa da superfície subjacente. Os autores afirmam que essa abordagem não apenas fecha a lacuna com métodos supervisionados, mas, em vários casos, supera-os, demonstrando que remoção de ruído de alta qualidade pode ser alcançada sem a necessidade de dados de treinamento ruidoso-limpo emparelhados. O trabalho é apoiado pelo Programa Nacional de Pesquisa e Desenvolvimento da China.