P2P-Bridge: Diffusion Bridges for 3D Point Cloud Denoising

本文提出了一种新颖的框架，通过将扩散薛定谔桥适应于点云，解决点云去噪的任务。与以往的方法不同，以往的方法是从点特征或学习的噪声分布中预测点的位移，而我们的方法学习了一种在配对点云之间的最优运输计划。在PU-Net、ScanNet++和ARKitScenes等对象数据集和真实世界数据集上的实验表明，P2P-Bridge相对于现有方法取得了显著的改进。虽然我们的方法仅使用点坐标就能展现出强大的结果，但我们还表明，将其他特征（如颜色信息或点级DINOv2特征）结合起来，可以进一步提高性能。代码和预训练模型可在https://p2p-bridge.github.io上获得。

本论文的问题是对点云进行去噪处理，通过学习一种最优的传输计划来适应Diffusion Schrödinger bridges到点云上，以解决当前方法中存在的点特征或学习噪声分布的问题。

论文的解决方案是学习一种最优的传输计划，通过这种方式来适应Diffusion Schrödinger bridges到点云上，相比当前领域的研究，这种方法更加准确和有效。

论文通过实验展示了P2P-Bridge方法在PU-Net、ScanNet++和ARKitScenes等数据集上的显著改进，同时还展示了在加入颜色信息或点特征的情况下，该方法的性能进一步提高。此外，论文提供了代码和预训练模型。

在最近的研究中，还有一些相关的工作，如PointCleanNet、PCN和PUNet等。