UGD：実環境のノイズ点群デノイジングを評価するための教師なし幾何学的距離

arXiv cs.CV / 2026/4/21

📰 ニュースSignals & Early TrendsModels & Research

共有:

要点

本論文は、UGD（Unsupervised Geometric Distance）として、ノイズを含む点群のみを用いて実環境の点群デノイジングを評価する教師なし指標を提案し、クリーンな正解点群を必要としない点が特徴です。
UGDは、特徴抽出ネットワークによるパッチ単位の特徴を用いてクリーン点群から「精製（pristine）」な事前分布を学習し、パッチ空間上でガウス混合モデル（GMM）を構築したうえで、その学習済み分布を参照として用いる仕組みです。
指標は、デノイズ後の各パッチと学習済みのプリスティンGMMとの幾何学的距離を計算し、それを重み付き和として集約することで、劣化度合いを定量化します。
特徴抽出ネットワークは、自己教師ありのマルチタスク学習（品質ランキング、歪み分類、歪み分布予測）で訓練され、合成ノイズと実データの実験で、教師ありのフルリファレンス指標と同等の性能が示されたと報告されています。
これにより、クリーンな正解が入手できない状況でも、点群デノイジング手法を無教師で評価できる実用的な枠組みが提供されます。

Abstract

点群デノイジングは、実世界の点群アプリケーションにおける根本的で極めて重要な課題である。点群デノイジング手法の既存の定量評価指標は教師あり方式で実装されており、代表的な幾何学的距離を算出するために、デノイズ後の点群と対応する教師となるクリーン点群の両方が必要となる。この要件は、実世界のシナリオでは特に問題が大きい。実世界では、クリーン点群の正解データがしばしば利用できないからである。本論文では、クリーン点群ではなくノイズ点群のみから計算される、実世界のノイジー点群デノイジングのための単純かつ効果的な教師なし幾何学距離（UGD）を提案する。UGDの中核となる考え方は、クリーン点群の集合からパッチごとの事前モデルを学習し、その事前モデルを「教師（ground-truth）」として用いて、デノイズ後点群の幾何学的な変化を測定することで劣化を定量化する点にある。これを行うために、まず、パッチごとの特徴量抽出ネットワークによりクリーン点群集合から抽出したパッチごとの品質認識（quality-aware）特徴を用いて、純粋なガウス混合モデル（GMM）を学習する。この学習したGMMを、定量評価のための教師（ground-truth）として用いる。次に、UGDは、デノイズ後点群の各パッチと、学習された純粋GMMモデルとの距離を、パッチ空間上で重み付き和として定義する。用いるパッチごとの特徴量抽出ネットワークを学習するために、ペアワイズの品質ランキング、歪み（distortion）の分類、歪み分布の予測を含むマルチタスク学習による自己教師あり学習フレームワークを提案する。合成ノイズを用いた定量実験により、提案するUGDが教師ありのフルリファレンス指標と同等の性能を達成することを確認した。さらに、実世界データに対する実験結果から、提案するUGDはノイジー点群のみに基づいて点群デノイジング手法を教師なしで評価可能にすることが示された。