Ю.А. Маньяков1, П.О. Архипов2, П.Л. Ставцев3

1–3 Орловский филиал ФИЦ ИУ РАН (г. Орел, Россия)
1 maniakov_yuri@mail.ru; 2 arpaul@mail.ru; 3 pavelstavcev@gmail.com

Постановка проблемы. На сегодняшний день, ввиду несовершенства технологий сканирования и методов трехмерной реконструкции, большинство их результатов имеют искажения в виде шумов и неполноты. Наиболее перспективным методом борьбы с данными дефектами – использование глубокого обучения. В связи с этим необходимо создание методов генерации реалистичных дефектов для объектов обучающей выборки.

Цель. Разработка модели генерации дефектов для создания обучающей выборки для нейронной сети.

Результаты. Результатом работы является модель, позволяющая создавать реалистичные дефекты в элементах обучающих наборов данных.

Практическая значимость. Полученная модель является основой для разработки алгоритмов генерации дефектов для обучающей выборки, использование которой, в свою очередь, позволяет получать нейронную сеть, как эффективное средство для устранения шумов и неполноты в результатах трехмерной реконструкции.

Маньяков Ю.А., Архипов П.О., Ставцев П.Л. Модель генерации дефектов в облаках точек для формирования обучающей выборки // Системы высокой доступности. 2025. Т. 21. № 3. С. 69−78. DOI: https://doi.org/10.18127/j20729472-202503-06

1. Anette Eltner, Giulia Sofia. Structure from motion photogrammetric technique// Developments in Earth Surface Processes. 2020. V. 23 S. 1–24. DOI:10.1016/B978-0-444-64177-9.00001-1
2. Cai X., Jiang W., Xu R., Zhao W., Ma J., Liu S., Li Y. Analyzing Infrastructure LiDAR Placement with Realistic LiDAR. 2022. DOI:10.48550/arXiv.2211.15975
3. Bayrak O.C., Zhenyu M., Farella E.M., Remondino F., Uzarand M. ESTATE: a large dataset of under-represented urban objects for 3D point cloud classification. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2024. V. XLVIII-2-2024. P. 25–32.
4. Маньяков Ю.А., Архипов П.О., Ставцев П.Л. Исследование и анализ существующих методов постобработки облаков точек // Системы высокой доступности. 2024. Т. 20. № 3. С. 51–58. DOI: 10.18127/j20729472-202403-05
5. Marie-Julie Rakotosaona, Vittorio La Barbera, Paul Guerrero, Niloy J. Mitra, Maks Ovsjanikov. PointCleanNet: Learning to Denoise and Remove Outliers from Dense Point Clouds. arXiv:1901.01060v3. 2019. DOI: 10.48550/arXiv.1901.01060
6. Riccardo Roveri, A. Cengiz Öztirel, Ioana Pandele, Markus Gross. PointProNets: Consolidation of Point Clouds with Convolutional Neural Networks // EUROGRAPHICS. 2018. V. 37. № 2.
7. Dongbo Zhang, Xuequan Lu, Hong Qin, Ying He. Pointfilter: Point Cloud Filtering via Encoder-Decoder Modeling. arXiv:2002.05968v2. 2020. DOI: 10.48550/arXiv.2002.05968
8. Wentao Yuan, Tejas Khot, David Held, Christoph Mertz, Martial Hebert. PCN: Point Completion Network. arXiv:1808.00671v3. 2019. DOI: 10.48550/arXiv.1808.00671
9. Weichao Wu, Zhong Xie, Yongyang Xu, Ziyin Zeng, Jie Wan. Point Projection Network: A Multi-View-Based PointCompletion Network with Encoder-Decoder Architecture // Remote Sens. 2021. V. 13. № 23. P. 4917. DOI: 10.3390/rs13234917
10. Muhammad Sarmad, Hyunjoo Jenny Lee, Young Min Kim. RL-GAN-Net: A Reinforcement Learning Agent Controlled GAN Network for Real-Time Point Cloud Shape Completion. arXiv:1904.12304v1. 2019. DOI: 10.48550/arXiv.1904.12304
11. Xiangbin Wei. Noise2score3d: Tweedie’s approach for unsupervised point cloud denoising. arXiv:2503.09283. 2025. DOI: 10.48550/arXiv.2503.09283
12. Hou G., Qin G., Sun M., Liang Y., Yan J. and Zhang Z. Noisetrans: Point cloud denoising with transformers, arXiv:2304.11812. 2023. DOI: 0.48550/arXiv.2304.11812
13. Siwen Quan, Junhao Yu, Ziming Nie, Muze Wang, Sijia Feng, Pei An, and Jiaqi Yang. Deep learning for 3d point cloud enhancement: A survey. arXiv:2411.00857. 2024. 3 DOI: 10.48550/arXiv.2411.00857
14. Antonio Alliegro, Diego Valsesia, Giulia Fracastoro, Enrico Magli, Tatiana Tommas. Denoise and Contrast for Category Agnostic Shape Completion. arXiv:2103.16671v1. 2021. DOI: 10.48550/arXiv.2103.16671
15. Pedro Hermosilla, Tobias Ritschel, Timo Ropinski. Total Denoising: Unsupervised Learning of 3D Point Cloud Cleaning. arXiv:1904.07615v2. 2019. DOI: 10.48550/arXiv.1904.07615
16. Liu Y., Zou B., Xu J., Yang S., Li Y. Denoising for 3D point cloud based on regularization of a statistical low-dimensional manifold. Sensors (Basel Switzerland) 22. 2666 DOI: 10.3390/s22072666
17. Fang Z., Liu Y., Xu L., Shahed M.H., Shi L. Research on a 3D Point Cloud Map Learning Algorithm Based on Point Normal Constraints. Sensors 2024. 24, 6185. DOI: 10.3390/s24196185
18. Wang W., Liu X., Zhou H., Wei L., Deng Z., Murshed M., Lu X. Noise4denoise: Leveraging noise for unsupervised point cloud denoising. Computational Visual Media 2024. DOI: 10.1007/s41095-024-0423-3
19. Ziqian Wu, Jiahao Liu. Perlin noise and its improvements: A literature review. 2024. DOI:10.54254/2755-2721/77/20240437
20. Zitian Huang, Yikuan Yu, Jiawen Xu, Feng Ni, Xinyi Le. PF-Net: Point Fractal Network for 3D Point Cloud Completion. arXiv:2003.00410v1. 2020. DOI: 10.48550/arXiv.2003.00410
21. Chang A.X., Funkhouser T., Guibas L., Hanrahan P., Huang Q. and Li Z., Savarese S., Savva M., Song S., Su H., Xiao J., Yi L., Yu F. ShapeNet: An Information-Rich 3D Model Repository. arXiv:1512.03012v1. 2015. DOI: 10.48550/arXiv.1512.03012
22. Rockafellar R., Tyrrell R., Roger J-B Wets. Variational Analysis. Springer-Verlag. 2005. P. 117.
23. Wu T., Pan L., Zhang J., Wang T., Ziwei L., Dahua L. Density-aware Chamfer Distance as a Comprehensive Metric for Point Cloud Completion. arXiv. 2021. С. 4–16.