Denoising-Aware Temporal Point Cloud Completion for 3D Crop Architecture Recovery and Phenotypic Trait Extraction

📄 arXiv: 2608.28343v1 📥 PDF

作者: Mrudul Mittal, Soumyashree Kar

分类: cs.CV

发布日期: 2026-08-28

备注: 25 pages of pdf for manuscript , total 12 files including bbl and tex

💡 一句话要点

提出Denoising-Aware方法以解决3D植物重建中的噪声与遮挡问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 3D重建 点云补全 去噪技术 合成数据集 植物表型分析 机器学习 农业应用

📋 核心要点

  1. 现有的时间序列点云补全方法在植物生长阶段的3D重建中面临噪声和遮挡问题，缺乏完整的几何真值数据集。
  2. 本文提出SynthCrop4D合成数据集，并设计了一个结合去噪和时间点云补全的两阶段管道，以提高重建精度。
  3. 实验结果显示，去噪模块显著提升了重建质量，SynthCrop4D上的Chamfer距离达到0.0061，Pheno4D上的F-score为0.2080。

📝 摘要（中文）

高通量表型分析依赖于植物在生长阶段的准确3D重建，但现有的时间序列补全方法受限于缺乏完整几何真值数据集。为此，本文引入了SynthCrop4D，一个程序生成的合成数据集，提供可控噪声、遮挡和完整植物几何形状，用于重建方法的基准测试。我们评估了一种结合空间去噪和时间点云补全的两阶段管道，首先通过去噪模块去除激光扫描点云中的结构伪影，然后利用Adaptive Temporal PoinTr模型重建当前生长阶段，恢复因自遮挡而缺失的区域。实验结果表明，去噪显著提高了重建质量，最佳配置在SynthCrop4D上实现了0.0061的Chamfer距离，在Pheno4D上获得了0.2080的F-score。

🔬 方法详解

问题定义：本文旨在解决植物生长阶段3D重建中的噪声和遮挡问题，现有方法缺乏完整的几何真值数据集，导致重建效果不佳。

核心思路：通过引入SynthCrop4D合成数据集，结合空间去噪和时间点云补全，能够有效去除激光扫描点云中的伪影，并恢复因自遮挡缺失的区域。

技术框架：整体框架分为两个主要模块：第一阶段为去噪模块，负责清理原始点云数据；第二阶段为Adaptive Temporal PoinTr模型，利用前一阶段的信息重建当前生长阶段。

关键创新：最重要的创新在于提出了SynthCrop4D数据集和结合去噪的时间点云补全方法，显著提高了重建的准确性和鲁棒性。

关键设计：在去噪模块中，采用了特定的损失函数以优化点云质量；在Adaptive Temporal PoinTr模型中，设计了适应性机制以有效利用历史信息进行重建。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，去噪显著提升了重建质量，SynthCrop4D数据集上的Chamfer距离达到0.0061，Pheno4D数据集上的F-score为0.2080，表明所提方法在处理噪声和遮挡方面具有显著优势。

🎯 应用场景

该研究的潜在应用领域包括农业科学、植物生物学和环境监测等，能够为高通量表型分析提供更准确的3D重建工具，进而推动作物育种和生态研究的发展。未来，该方法可能会扩展到其他领域，如机器人视觉和自动化农业。

📄 摘要（原文）

High-throughput phenotyping depends on accurate 3D reconstruction of plants across growth stages, yet the development and evaluation of temporal completion methods are limited by the lack of datasets with complete geometric ground truth. To address this challenge, we introduce SynthCrop4D, a procedurally generated synthetic dataset of temporally evolving plant point clouds that provides controllable noise, occlusion, and complete plant geometry for benchmarking reconstruction methods. Using this dataset, we evaluate a two-stage pipeline that combines spatial denoising and temporal point cloud completion. First, a denoising module removes structural artifacts from raw laser-scanned point clouds. The resulting data are then processed by an Adaptive Temporal PoinTr model that reconstructs the current growth stage (t) using information from the previous stage (t-1), enabling recovery of regions missing due to self-occlusion. We evaluate the proposed framework on both SynthCrop4D and the real-world Pheno4D dataset (tomato and maize) under settings with and without denoising. Results show that denoising substantially improves reconstruction quality, with the best configuration achieving a Chamfer Distance of 0.0061 on SynthCrop4D (Temporal PoinTr + Mamba-DG) and an F-Score of 0.2080 on Pheno4D (Vanilla PoinTr + Mamba-DG). We further demonstrate the use of completed point clouds for phenotypic trait extraction, including plant height, canopy width, and convex hull volume, obtaining hull-volume MAEs of 0.021 on synthetic data and 0.343 on real data. Together, SynthCrop4D and the proposed pipeline provide a benchmark and methodology for temporal plant reconstruction and high-throughput crop phenotyping.