摘要
从三维传感器获取或通过重建算法生成的原始点云数据不可避免地包含异常值或噪声。本文提出一种新型端到端网络——PointASNL，用于实现对含噪点云数据的鲁棒处理。该方法的核心组件是自适应采样（Adaptive Sampling, AS）模块：该模块首先对远点采样（Farthest Point Sampling, FPS）初始采样点周围的邻域点进行重新加权，随后在整个点云范围内自适应地调整采样点位置。该AS模块不仅有助于提升点云特征学习能力，还能有效缓解异常值带来的偏差影响。为进一步捕捉采样点的局部与长程依赖关系，本文提出一种受非局部操作启发的局部-非局部（Local-Nonlocal, L-NL）模块。该L-NL模块使学习过程对噪声具有更强的鲁棒性。大量实验验证了所提方法在各类点云处理任务中的优越性与鲁棒性，涵盖合成数据、室内数据以及含噪或无噪的室外数据。具体而言，PointASNL在所有测试数据集上均实现了分类与分割任务的当前最优鲁棒性能，尤其在真实世界中存在显著噪声的室外数据集SemanticKITTI上，显著优于以往方法。相关代码已开源，地址为：https://github.com/yanx27/PointASNL。