这个项目的主题是点云上采样与扩散模型结合的方法设计。项目目标是在高倍率上采样场景下，兼顾几何细节恢复能力与对噪声输入的鲁棒性。
论文信息
- 论文题目：Point Cloud Upsampling Using Conditional Diffusion Module with Adaptive Noise Suppression
- 会议：CVPR 2025（Poster）
- 代码仓库：https://github.com/Baty2023/PDANS
- DOI：10.1109/CVPR52734.2025.01583
研究背景与问题
在点云上采样任务中，传统方法在噪声输入下容易出现结构漂移和细节丢失。尤其在 16x 这类高倍率任务中，模型需要同时处理：
- 局部几何细节恢复
- 全局结构一致性
- 输入噪声带来的特征偏差
PDANS 通过“条件扩散 + 自适应降噪”的组合思路，针对上述问题给出统一解决方案。
方法设计（核心模块）
- ANS（Adaptive Noise Suppression）：针对噪声点进行自适应抑制，提升点云质量稳定性。
- TT（Tree-Trans）模块：增强高低层特征交互，改善细节恢复能力。
- 跨网络注意力机制：在条件网络与扩散网络之间进行信息交互，提升特征利用效率。
实验与结果概览
根据公开信息与仓库描述，PDANS 在以下方面具有优势：
- 在高噪声输入下保持较好的点云重建质量
- 在高倍率上采样任务中保留更多结构细节
- 相比常见基线方法，鲁棒性表现更强
引用（BibTeX）
@InProceedings{Zhang_2025_CVPR,
author = {Zhang, Boqian and Yang, Shen and Chen, Hao and Yang, Chao and Jia, Jing and Jiang, Guang},
title = {Point Cloud Upsampling Using Conditional Diffusion Module with Adaptive Noise Suppression},
booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
month = {June},
year = {2025},
pages = {16987-16996}
}