PU-MG：基于互引导框架的点云上采样去噪方法

《Displays》：PU-MG: Mutual guidance framework for Point Cloud Upsampling

为解决点云上采样（PCU）结果存在扰动点偏离原始表面、子网络间缺乏鲁棒关联导致收敛困难等问题，研究人员开展了基于互引导框架的点云上采样（PU-MG）研究。该研究通过引入去噪技术预测精准定位的干净点集，设计特征融合模块（AGFFM）和优化损失函数（DGR）实现子网络协同优化，实验表明PU-MG在多项基准数据集上优于现有方法，显著提升了点云质量与算法鲁棒性。

　　

随着LiDAR、深度相机等三维采集设备的普及，点云已成为自动驾驶、机器人导航、几何渲染等领域表征复杂三维结构的关键数据形式。然而传感器直接获取的点云往往具有稀疏性、无序性和噪声干扰等固有缺陷，严重影响下游任务（如曲面重建、语义分割、分类识别）的精度。点云上采样（Point Cloud Upsampling, PCU）作为预处理环节，旨在通过插值或特征扩展生成密度更高、分布更均匀的点集，但其本质是一个病态逆问题——现有方法无论是通过增加特征通道后重塑、转置卷积、特征混洗还是二维网格插值，都难以避免生成点偏离原始几何表面的扰动现象。更严峻的是，多数PCU网络将点增强（坐标信息扩充）和扰动解缠（噪声分离）作为独立子模块处理，导致学习目标冲突、网络收敛困难，重建结果在边缘区域出现明显锯齿状伪影。

针对上述挑战，宁波大学团队在《Displays》发表的研究提出了一种互引导点云上采样框架PU-MG。该框架创新性地将点云去噪（PCD）技术融入上采样流程，通过子网络间的协同优化实现高质量点云生成。具体而言，PU-MG包含两个核心设计：一是增强引导特征融合模块（Augmentation Guided Feature Fusion Module, AGFFM），通过在隐特征空间度量差异性与相似性区分扰动，引导解缠过程；二是解缠引导优化损失（Disentanglement Guided Refinement Loss, DGR），约束点增强过程产生的扰动点向干净点集对齐。实验表明，该方法在PU1K、PU-GAN、Sketchfab、KITTI四个基准数据集上均优于现有主流方法，显著提升了点云的几何完整性和分布均匀性。

关键技术方法包括：1. 基于特征差异度量的AGFFM模块实现子网络特征交互；2. 设计DGR损失函数耦合点增强与扰动解缠过程；3. 采用多阶段训练策略优化网络收敛；4. 使用PU-GAN数据集（120个训练对象/27个测试对象）及KITTI等真实场景数据进行验证。

Datasets

研究在PU-GAN数据集（含147个三维对象）上按120/27划分训练测试集，通过泊松盘采样获取24,000个点云块；同时采用PU1K（1,140个对象）、Sketchfab（80个对象）和KITTI真实场景数据验证泛化能力。

Conclusion

PU-MG通过互引导框架有效解决点云上采样中的扰动问题，AGFFM模块与DGR损失协同降低了子网络学习冲突。定量实验显示该方法在倒角距离（Chamfer Distance）等指标上优于PU-Net、PU-GAN等基线模型，定性分析证实生成点云在复杂边缘区域的分布更贴近原始曲面。

该研究的突破在于将点云上采样与去噪任务解耦再融合，通过分布变换而非传统点偏移回归实现扰动解缠，为三维视觉预处理提供了新范式。未来工作可探索多模态特征（如法向量、颜色）的联合优化，进一步拓展在医疗影像、文物数字化等领域的应用。