深度学习点云质量增强方法综述

好久没更新博客了，后面计划重启博客，空闲时分享一下学习心得，包括但不局限于点云编码/压缩、插帧、质量增强。这次，推荐一篇综述论文。

题目：深度学习点云质量增强方法综述 (Deep learning-based quality enhancement for 3D point clouds: a survey)

期刊：《中国图象图形学报》2023年第28卷第11期

作者：陈建文1, 赵丽丽2, 任蓝草1, 孙卓群1, 张新峰3, 马思伟4

机构：1.电子科技大学信息与通信工程学院, 成都 611731; 2.中国移动通信有限公司研究院, 北京 100032; 3.中国科学院大学计算机科学与技术学院, 北京 100190; 4.北京大学计算机学院, 北京 100871

摘要：随着三维探测技术的发展，点云逐渐成为最常用的三维物体/场景表征数据类型之一，广泛应用于自动驾驶、增强现实及虚拟现实等领域。然而，受限于硬件设备、采集环境以及遮挡等因素，采集的原始点云通常是不完整、稀疏、嘈杂的，为点云的处理和分析带来了巨大挑战。在此背景下，点云质量增强技术旨在对原始点云进行处理以获得结构完整、密集且接近无噪的点云，具有重要意义。本文对现阶段深度学习点云质量增强方法进行了系统综述，为后续研究者提供研究基础。首先，简要介绍了点云数据处理中通用的关键技术；分别介绍了点云补全、点云上采样和点云去噪3类点云质量增强方法，并对3类方法中的现有算法进行了分类、梳理及总结。其中，点云补全与点云去噪算法均可根据是否采用编码器—解码器结构分为两大类，点云上采样算法可根据网络主要结构分为基于卷积神经网络的方法、基于生成对抗网络的方法和基于图卷积神经网络的方法。其次，总结了质量增强任务中常用的数据集与评价指标，并分别对比分析了现阶段点云补全、上采样和去噪中主流算法的性能。最后，通过系统的梳理，凝练出点云质量增强方向所面临的挑战，并对未来的研究趋势进行了展望。

涉及的文献及其开源代码：https://github.com/LilydotEE/Point_cloud_quality_enhancement

全文详见：http://www.cjig.cn/jig/ch/reader/view_abstract.aspx?file_no=221076&flag=1

关键词：point cloud completion, point cloud upsampling, point cloud denoising