8月16日， 信息工程学院王美丽教授研究团队在计算机图形学和多媒体领域的国际顶级期刊《IEEE Transactions on Visualization and Computer Graphics》（CCF A类）发表题为“Learning Implicit Fields for  Point Cloud Filtering”的研究论文。 信息工程学院2020级研究生王今昔为第一作者，王美丽教授和澳洲拉筹伯大学鲁学权高级讲师为共同通讯作者。

图1 左：基于隐式曲面的点云滤波方法；右：噪声点云及滤波后的点云

在三维几何处理中，点云滤波是确保数据质量的重要步骤。噪声不仅会掩盖细节，还可能导致错误的几何结构。通过有效的滤波技术，能够恢复更清晰、准确的点云数据，从而为后续的模型构建和应用提供可靠的基础。尽管近年来涌现了一些数据驱动方法来改进滤波效果，但大多数方法通过直接预测位移差来实现滤波，容易导致细节模糊和点云分布不均的问题。针对这些挑战，本研究提出了一种新颖的数据驱动方法，通过隐式场实现点云滤波。该方法假设噪声点集隐式地定义了一个表面，并通过预测有符号距离场（SDFs），分别获取点的移动方向和距离。该方法首先将点云全局信息融合到局部块中，以实现一致对齐，然后将对齐后的点云输入到编码器-解码器结构中，预测一个由SDFs组成的七维向量。该向量的第一维元素用于确定点的移动距离，其余六维元素通过计算梯度获取移动方向。最终，噪声点沿预测方向移动，得到滤波后的点云。实验结果表明，该方法能够在无显式法线的情况下，生成保留细节特征的滤波点云。在视觉效果上，该方法优于当前最先进的技术，并且在定量评估中，通常比基于位置的方法表现更佳。

该研究提出的点云滤波方法在畜禽智慧养殖及身份追溯平台的实际应用中具有实际意义。通过有效滤波，该方法确保了畜禽形态的精准建模，从而为表型分析和自动化管理提供更精确的数据支持，提升了智慧养殖的效率和管理精度。本研究得到了国家重点研发计划子课题（2022YFD1300200）和区域创新能力引导计划（2022QFY11-03）的支持。

原文链接：https://doi.org/10.1109/TVCG.2024.3450699