Wir befassen uns mit der Aufgabe der Rauschunterdrückung von Punktwolken, indem wir ein auf Diffusion basierendes generatives Framework nutzen, das mit adversarialem Training kombiniert ist. Während neuere Diffusionsmodelle starke Fähigkeiten im Lernen komplexer Datenverteilungen gezeigt haben, bleibt ihre Effektivität bei der Wiederherstellung feiner geometrischer Details begrenzt, insbesondere unter extremen Rauschbedingungen. Um dem entgegenzuwirken, schlagen wir das Adversariale Diffusionsbrückenmodell (ADBM) vor, einen neuartigen Ansatz zur Rauschunterdrückung von 3D-Punktwolkendaten, bei dem ein Diffusionsbrückenmodell mit adversarialem Lernen integriert wird. ADBM umfasst einen leichten Diskriminator, der den Rauschunterdrückungsprozess durch adversarielle Überwachung leitet und schärfere sowie treuere Rekonstruktionen fördert. Der Rauschunterdrücker wird mit einem Rauschunterdrückungs-Diffusionsziel trainiert, das auf einer Schrödinger-Brücke basiert, während der Diskriminator zwischen realen, sauberen Punktwolken und generierten Ausgaben unterscheidet und so die perceptuelle Realität fördert. Die Experimente wurden an den Datensätzen PU-Net und PC-Net durchgeführt, wobei die Leistung anhand der Chamfer-Distanz und der Point-to-Mesh-Metriken bewertet wurde. Die qualitativen und quantitativen Ergebnisse heben beide die Effektivität der adversarialen Überwachung bei der Verbesserung der lokalen Detailrekonstruktion hervor und machen unseren Ansatz zu einer vielversprechenden Richtung für eine robuste Punktwolkenwiederherstellung.
nam et al. (Sun,) haben diese Frage untersucht.