PathNet：路径选择点云去噪

当前的点云去噪（PCD）模型优化单一网络，试图使其参数适应于大规模点云中的每个点。这种去噪网络范式忽视了不同的点通常受到不同水平噪声的干扰，并且它们可能传递不同的几何结构。因此，噪声和几何的复杂性带来了副作用，包括去噪后的残留噪声、错误平滑的边缘和形状扭曲。我们提出了PathNet，这是一种基于强化学习（RL）的路径选择PCD范式。与现有的努力不同，PathNet能够动态选择每个点最合适的去噪路径，最佳地将其移动到其基础表面。除了首次提出的路径选择PCD框架外，我们还有两项贡献。首先，为了利用几何知识并从训练数据中受益，我们提出了一种噪声和几何感知的奖励函数来训练RL中的路由代理。其次，路由代理和去噪网络共同训练，以避免下平滑和过度平滑。大量实验表明，PathNet在去除不同级别的噪声和保持多尺度表面几何方面，相较于竞争对手取得了有希望的改善。此外，PathNet在真实扫描中的推广效果比最先进的模型更顺畅.