未见噪声条件下点云去噪的测试时自适应

《Computer-Aided Design》:Test-time adaptation for point cloud denoising under unseen noise

【字体: 大 中 小 】 时间:2026年10月21日 来源:Computer-Aided Design 3.2

编辑推荐:

   •用于点云去噪的测试时适应(TTAD)框架。 •TTAD框架能够在没有干净监督的情况下,使网络适应未见过的噪声。 •持续TTAD(CTTAD)实现了跨连续含噪点云的可扩展适应。 引言 点云是三维几何数据的基本表示形式,在自动驾驶[1][2]、工业检测[3]、数字孪生[4]

  

•用于点云去噪的测试时适应(TTAD)框架。
•TTAD框架能够在没有干净监督的情况下,使网络适应未见过的噪声。
•持续TTAD(CTTAD)实现了跨连续含噪点云的可扩展适应。

引言

点云是三维几何数据的基本表示形式,在自动驾驶[1][2]、工业检测[3]、数字孪生[4]等领域有着广泛应用。然而在实际应用中,由于传感器局限性、环境干扰或位姿估计误差,点云往往受到噪声破坏,严重影响了表面重建、配准和物体识别等下游任务[5][6][7]。近期基于深度学习的点云去噪方法取得了令人瞩目的成果[8][9][10]。这些方法通常在合成数据集上进行训练,或以有监督[9][10][11][12][13][14][15]方式,或以无监督[16][17][18]方式进行。当测试含噪点云(目标域)与训练点云(源域)属于相同分布时,这些方法能达到最先进的性能。然而,当训练点云和测试点云之间存在噪声分布差异时,即所谓的"域偏移"问题,这些方法在测试时的性能往往会显著下降,如图1所示。

测试时适应(TTA)[19]作为一种有前景的解决方案,通过在测试阶段将源域训练的模型适应到无标签的测试数据,从而提升模型对域偏移的泛化能力。近年来,一些开创性研究探索了将TTA技术应用于图像去噪[20][21][22]。这些方法通常在测试时引入辅助自监督目标,仅使用无标签样本即可实现适应。例如,Lidia[21]通过在去噪输出中注入合成噪声并优化去噪损失来实现测试时适应。SS-TTA[22]利用高斯噪声创建样本对进行对比学习。然而,它们都依赖于样本无关的合成噪声(如高斯噪声),这可能无法准确反映真实测试数据中存在的破坏模式。这种不匹配往往导致次优的适应效果,尤其是在去噪场景中,噪声特征可能高度多样、样本特异且结构复杂。因此,探索将TTA应用于点云去噪对于提升当前点云去噪方法的泛化能力而言,是一个关键且具有挑战性的研究方向,尤其是在真实世界含噪点云去噪场景中。

在本文中,我们提出了一个称为测试时自适应去噪(TTAD)的测试时适应框架,该框架使预训练的点云去噪模型能够在没有干净监督或源域数据的情况下,在测试阶段动态适应未见过的噪声。给定一个预训练的点云去噪模型,TTAD首先引入一个残差驱动噪声建模(RDNM)模块,通过估计含噪输入与其伪干净预测之间的误差场,以无监督方式捕获样本特有的噪声模式。然后,设计了一个噪声感知对比适应(NACA)模块,在测试时通过自监督方式,在每样本几个适应步骤内更新预训练去噪模型的参数。NACA通过构建样本特有的"含噪-更含噪"输入对,并通过对比学习强制一致性来实现适应。为进一步稳定适应过程,引入了指数移动平均(EMA)以防止对个体噪声模式过拟合。最后,我们的TTAD框架允许预训练的去噪模型在不修改网络结构的情况下实现样本级测试时适应。此外,针对点云遇到具有一致特征噪声分布的场景,我们将TTAD扩展为持续TTAD(CTTAD)设置,在这种设置下,去噪模型通过复用先前适应的参数在测试样本间增量演化。这种形式不仅通过避免对每个输入重复适应来降低计算开销,还通过跨测试样本的渐进式知识积累提高了稳定性。本文的主要贡献总结如下:

•我们系统研究了在未见过的噪声条件下点云去噪的测试时适应问题。为此,我们提出了一个通用框架,称为TTAD,它使预训练的去噪模型能够在测试阶段的未见过的噪声条件下实现样本级测试时适应。TTAD框架可以无缝集成到各种现有的点云去噪方法中,而无需改变其原始网络架构。
•我们提出了一个噪声感知对比适应模块,通过在测试时利用对比学习对预训练去噪模型进行自监督参数更新。具体来说,它利用残差驱动噪声建模机制构建样本特有的"含噪-更含噪"训练对,使模型能够根据当前样本的噪声特征迭代地优化其参数。
•我们进一步将TTAD扩展为持续TTAD(CTTAD),实现了跨具有一致噪声特征的连续测试含噪点云的高效可扩展适应,同时降低了单样本计算成本,使该方法适用于流式应用的实际部署。
•在合成和真实世界数据集上进行的广泛实验表明,TTAD和CTTAD在不同未见过的噪声条件下持续提升了最先进去噪模型的性能,在多个评估指标上取得了显著的提升。

章节片段

基于深度学习的点云去噪

基于深度学习的点云去噪方法大致可分为有监督和无监督两类,取决于训练过程中是否使用干净的真实数据。

问题定义

在训练阶段,我们考虑一个点云去噪模型 f_θ: X→Y,旨在将含噪点云 X 映射为其对应的干净点云 Y。模型参数 θ 通过在源域数据集 D_s={(X_s^i, Y^i)}_{i=1}^N 上最小化有监督损失进行优化:

min_θ E_{(X_s,Y)~D_s} [L_sup(f_θ(X_s), Y)]

其中 X_s = Y + ε_s 是被合成噪声 ε_s~p_s 污染的输入,L_sup(·) 是特定任务的损失函数,通常衡量几何差异(例如,逐点欧几里得距离)。

在测试阶段,该

数据集

我们在合成和真实世界数据集上评估所提出的TTAD框架,以全面评估其在高斯噪声和多种未见过的噪声条件下的性能。对于合成数据集上的实验,我们遵循标准协议,采用广泛使用的PUNet数据集[40],该数据集最初用于点云超采样和去噪。为了评估分布偏移下的泛化能力,我们在测试时引入五种类型的未见过的噪声:(1)脉冲噪声,即随机

结论与未来工作

本文提出了一个测试时自适应去噪(TTAD)框架,以解决点云去噪中的域偏移问题。通过利用残差驱动噪声估计、噪声感知对比适应和EMA策略,TTAD使预训练的去噪模型能够在测试时适应未见过的噪声分布,无需额外的监督或从源数据重新训练。广泛的实验表明,TTAD持续增强了[去噪模型的性能]

CRediT作者贡献声明

姜昆:软件、项目管理、方法论、形式化分析、数据管理、概念化。付世达:初稿撰写、可视化。易帆浩:审稿与编辑。李卫清:监督、资源。苏志勇:监督、形式化分析、概念化。

利益冲突声明

作者声明,他们没有任何已知的可能影响本文工作的竞争性财务利益或个人关系。

致谢

作者感谢匿名审稿人提供的有益意见和善意建议。

姜昆|付世达|易帆浩|李卫清|苏志勇
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号