U-CAN: Unsupervised Point Cloud Denoising with Consistency-Aware Noise2Noise Matching¶

会议: NeurIPS 2025
arXiv: 2510.25210
代码: 有（Project Page）
领域: 3D视觉 / 点云处理
关键词: 点云去噪, 无监督学习, Noise2Noise, 一致性约束, 几何重建

一句话总结¶

提出 U-CAN 无监督点云去噪框架，通过 Noise2Noise 匹配方案和几何一致性约束实现多步去噪路径推断，性能逼近有监督方法，且一致性约束可泛化到 2D 图像去噪。

研究背景与动机¶

扫描传感器采集的点云不可避免地包含噪声，严重影响曲面重建和形状理解等下游任务。现有方法的痛点：

有监督方法的局限: 需要大量"噪声-干净"点云对，标注成本极高

无监督方法的不足: 现有无监督方法性能与有监督差距较大

多步去噪: 单步去噪难以完全消除噪声，多步方案缺乏有效的优化目标

核心创新：利用多个含噪观测之间的统计关系，通过 Noise2Noise 范式实现无监督学习，同时引入几何一致性约束进一步提升去噪质量。

方法详解¶

整体框架¶

U-CAN 包含三个核心组件： 1. 多步去噪路径推断：神经网络预测每个点的多步去噪轨迹 2. Noise2Noise 匹配损失：利用多个噪声观测间的统计推理 3. 几何一致性约束：确保去噪结果的几何一致性

关键设计¶

多个噪声观测的利用:
- 对同一形状/场景获取多个含噪点云观测
- 不同观测的噪声是独立同分布的
- 通过 N2N 匹配方案，避免需要干净目标
Noise2Noise 匹配损失:
- 将一个噪声观测去噪后与另一个噪声观测匹配
- 统计意义上，最优去噪结果应最小化两个噪声观测间的期望距离
- 这等价于去噪到真实的干净曲面
几何一致性约束 (Denoised Geometry Consistency):
- 去噪后的点应保持局部几何结构（如法向量、曲率）
- 来自同一表面的相邻点去噪后应仍然相邻
- 约束形式化为去噪结果的局部几何不变量
跨域通用性:
- 作者证明几何一致性约束不限于 3D 点云
- 同样的原理可应用于 2D 图像去噪

损失函数 / 训练策略¶

\[\mathcal{L} = \mathcal{L}_{\text{N2N}} + \lambda_1 \mathcal{L}_{\text{geo}} + \lambda_2 \mathcal{L}_{\text{reg}}\]

\(\mathcal{L}_{\text{N2N}}\): Noise2Noise 匹配损失（Chamfer 距离变体）
\(\mathcal{L}_{\text{geo}}\): 几何一致性损失（法向量一致性 + 局部曲率保持）
\(\mathcal{L}_{\text{reg}}\): 正则化项（防止退化解）

实验关键数据¶

主实验（点云去噪 - PU-Net 数据集）¶

方法	监督类型	CD (×10⁻⁴) ↓	P2S (×10⁻³) ↓	噪声 σ=0.01 CD ↓	噪声 σ=0.03 CD ↓
PCN	有监督	0.68	1.23	0.58	1.15
Score-based	有监督	0.52	0.98	0.45	0.89
DMR	有监督	0.48	0.85	0.42	0.82
Pointfilter	无监督	1.25	2.15	1.12	2.45
Self2Self	无监督	0.95	1.72	0.85	1.85
U-CAN	无监督	0.55	0.92	0.48	0.91

点云上采样实验¶

方法	PU1K CD ↓	PU1K P2S ↓	PU-GAN CD ↓	监督类型
PU-Net	0.72	1.35	0.85	有监督
PU-GAN	0.65	1.18	0.72	有监督
Dis-PU	0.58	1.05	0.65	有监督
U-CAN (去噪+上采样)	0.61	1.08	0.68	无监督

2D 图像去噪实验¶

方法	SIDD PSNR ↑	SIDD SSIM ↑	BSD68 PSNR ↑
N2N (baseline)	38.12	0.952	29.85
N2V	37.85	0.948	29.62
N2N + 一致性约束	38.67	0.958	30.23

关键发现¶

U-CAN 是首个在性能上接近有监督方法的无监督点云去噪方法
几何一致性约束贡献约 15-20% 的性能提升
该约束成功迁移到 2D 图像去噪，证明了通用性
多步去噪路径比单步去噪带来稳定的改善

亮点与洞察¶

无监督逼近有监督: 在无标注数据的情况下达到接近有监督的效果，实际应用价值大
跨域通用约束: 几何一致性约束的 2D 图像去噪泛化非常出彩
理论支撑: 对 N2N 方案的统计推理有严格的数学论证

局限与展望¶

需要同一场景的多个噪声观测，单次扫描场景无法直接应用
对于非均匀噪声分布的鲁棒性有待验证
大规模室外场景（如 LiDAR 点云）的实验较少
多步去噪增加了推理时间

评分¶

维度	分数 (1-5)
创新性	4
理论深度	4
实验充分性	5
写作质量	4
实用价值	4
总体推荐	4