基于MSAA-EdgeConv的置信度引导渐进式点云去噪方法

《Alexandria Engineering Journal》：Confidence-guided progressive point cloud denoising via MSAA-EdgeConv

　　

随着LiDAR传感器和深度相机等3D采集技术的迅速发展，三维点云已成为表示真实物体与场景的主要数据格式。然而，受传感器固有局限和环境影响，原始点云不可避免地包含噪声与离群点。因此，点云去噪已成为三维计算机视觉中基础且具挑战性的问题。研究人员提出一种以新型MSAA-EdgeConv为核心的置信度引导去噪框架，将去噪过程分解为一系列轻量级细化阶段，每个阶段均基于最新点云估计进行操作。该框架引入两项关键架构创新：其一，利用MSAA-EdgeConv在每个阶段动态重建k-NN图，确保特征反映不断演化的几何结构而非初始噪声；其二，每个阶段输出置信度加权的位移，通过学习的逐点置信度分数调制更新幅度，在不确定区域实施保守预测，防止阶段间误差累积。针对需要更强去噪能力的场景，研究人员进一步提出几何感知注意力边缘卷积（GAA-EdgeConv），通过局部点密度编码增强特征提取，生成对噪声鲁棒的表示。在合成基准和真实扫描数据上的大量实验表明，所提方法在不同噪声类型和强度下相比现有最优方法（SOTA）取得具有竞争力或更优的去噪性能。

**论文解读：基于MSAA-EdgeConv的置信度引导渐进式点云去噪**

**一、研究背景与动机**

随着LiDAR、深度相机等三维采集设备的普及，点云成为表征真实世界的重要数据格式，但传感器限制和环境干扰导致点云不可避免地混入噪声和离群点。点云去噪的难点在于两个相互冲突的目标：激进去噪会破坏细小的几何细节和尖锐特征，而保守滤波又会在高方差区域残留噪声。此外，真实噪声在空间上呈现非均匀性，不同区域需要不同程度的校正。经典优化方法依赖低秩矩阵近似等几何先验，但需要大量参数调节且难以兼顾降噪与特征保持；深度学习方法虽已超越传统方法，但现有框架多将去噪视为整体单阶段操作，迫使网络同时处理粗糙校正和细节恢复，在高噪声下效果不佳。已有方法存在类别特定局限：基于重建的方法易导致几何信息丢失；基于分布的方法计算复杂度高且采样不稳定；基于位移的方法缺乏显式逐点可靠性信号。迭代策略通常采用固定轮次而缺乏自适应校正或可靠性评估，容易在模糊区域产生误差累积。

**二、研究内容与结论**

研究人员提出一种置信度引导的渐进式点云去噪框架，以新型MSAA-EdgeConv为核心，将去噪分解为多个轻量级细化阶段的级联。框架的Light和Heavy两种变体在合成基准（PUNet、PCNet）、真实扫描数据集（Kinect v1/v2）和3DCSR数据集上取得与SOTA相当或更优的去噪性能，同时大幅降低计算开销。主要结论包括：5阶段Light模型在PUNet测试集所有设置下CD指标最优，在多数配置下HD最优，高噪声条件下P2M表现最强；在Kinect数据集上，仅使用PUNet预训练权重的模型展现出对ToF噪声的优良泛化能力；在PCNet数据集上，模型在多数配置下获得最佳CD，对非高斯噪声分布具有鲁棒性。消融实验验证了置信度加权、可学习尺度参数、特征自适应、动态图重建和阶段损失加权等关键组件的有效性。

**三、关键技术方法**

研究者构建了多阶段级联架构，每阶段联合预测位移向量和逐点置信度分数。核心技术包括：（1）MSAA-EdgeConv：在标准边缘卷积中引入通道注意力重加权和分组深度卷积路径，结合最大与均值双聚合策略；（2）动态图重建：每阶段基于更新后的点云重建k-NN图，避免特征陈旧；（3）置信度加权更新机制：以sigmoid输出逐点置信度，调制位移更新幅度；（4）GAA-EdgeConv（Heavy变体）：通过局部点密度编码器（LPDE）计算邻域平均欧氏距离并投影为几何嵌入，结合注意力门控与残差更新。训练采用多阶段监督，损失为各阶段地球移动距离（EMD）的加权和，监督目标随阶段递减地插值于噪声输入与干净真值之间。样本队列来源包括：PUNet网格以10K、30K、50K密度采样并添加不同水平高斯噪声；PCNet合成数据；Kinect v1/v2真实深度相机扫描；3DCSR跨源噪声数据。

**四、主要研究结果**

**4.1 PUNet数据集结果**：所提5阶段配置在所有PUNet设置下获得最佳CD，多数配置下HD最优，高噪声水平下P2M最强。与生成式或标准EdgeConv架构相比，MSAA-EdgeConv能更稳健地捕获局部几何先验，避免迭代细化常见的高密度伪影。

**4.2 Kinect数据集结果**：仅用PUNet预训练的模型在真实Kinect数据上展现出优越泛化性，有效缓解ToF结构化深度层噪声，恢复干净连续表面，同时保持锐利边缘和平整性。

**4.3 PCNet数据集结果**：模型在多数PCNet配置下获得最佳CD。在10K点数类别中Heavy变体对高随机噪声鲁棒性强，Light网络在稠密集上取得领先的CD和P2M误差。可视化表明所提方法能有效去除离群点并保持尖锐边界。

**4.4 非高斯噪声鲁棒性**：在仅接受高斯噪声训练的情况下，Light变体在非各向同性噪声下取得CD 54.20、P2M 13.22，在Laplace噪声下取得CD 59.02、P2M 15.29，证明置信度引导的渐进细化与动态图重建可泛化至训练分布之外的噪声类型。

**4.5 3DCSR可视化结果**：在表征真实跨源噪声与不规则密度的3DCSR数据上，所提方法成功消除高幅值噪声并保持锐利结构细节，而对比方法要么放大畸变，要么无法有效抑制离群点。

**4.6 消融研究**：渐进阶段有效性实验表明，增加推理阶段数量可显著降低P2M和HD误差；Heavy模型用3阶段达到与5阶段Light模型相当的性能，减少40%的细化阶段。组件消融显示，移除置信度加权、可学习尺度、特征自适应、动态图重建或阶段损失加权均导致性能下降，其中移除动态图重建造成最大退化。置信度机制分析表明，置信度分数在平坦和非平坦区域均随阶段增加而总体上升，而P2M误差持续下降，说明置信度并非直接表示误差，而是基于局部几何的位移更新学习加权信号。特征提取组件消融证实，分组深度卷积改善CD和P2M，通道注意力主要改善P2M和HD，双聚合获得最佳总体MSAA-EdgeConv结果；GAA-EdgeConv中注意力门控改善P2M，LPDE提供最佳CD和HD。

**五、讨论与结论**

所提框架通过多阶段迭代细化有效去除噪声，利用MSAA-EdgeConv和GAA-EdgeConv进行自适应局部特征聚合，并结合置信度加权去噪网络。Light和Heavy两种变体以极低计算开销实现显著参数缩减和较快推理速度。在PU-Net和Kinect v1/v2数据集上取得领先的Chamfer距离性能，Light变体仅需0.28M参数和10.51 GFLOPs。在10K点PUNet数据集上，模型达到CD 18.15和HD 6.83，优于近期SOTA方法3DMambaIPF和C2AENet。研究结论为：该框架在合成和真实数据集上均能实现强去噪精度，同时保持低计算复杂度，便于在资源受限环境中部署。未来工作将扩展至实时多传感器点云去噪，结合LiDAR、相机、雷达和IMU的互补信息，探索更高效的图构建与特征复用，并研究无监督或自监督学习以减少对成对干净-含噪数据的依赖。