它说经典滤波器怕结构化噪声，然后它只测了随机噪声

推荐优先级：高 · 族 C（自建基准 + 公开算法重评测）/ 参赛子类：ROBO — 机器人感知方向（官方 2027 子类名称需核实） · 资源需求：深度相机约 ¥1,300–1,800（一周内到货）+ 标准件与试件约 ¥400–600，总计约 ¥2,000 以内 · 技能取向：三维感知 / 基准构造与标注 / 对照实验设计

1 · 研究问题

用真实深度相机产生的系统性伪影——飞点（mixed pixel）、多径反射、镜面高光造成的成片错误、低反射率区域的条带——构造一个带真值标注的点云离群基准，在这个基准上重新比较高阶环路滤波、SOR、ROR。当噪声不再是均匀随机注入时，那个"显著更高的 F1"还在吗？

2 · 研究背景与空白

背景。 点云离群检测（outlier detection）的两个经典方法都建立在密度假设上：SOR（Statistical Outlier Removal）算每个点到 k 近邻的平均距离，超过 μ + ασ 的判为离群；ROR（Radius Outlier Removal）数每个点给定半径内的邻点数，少于阈值的判为离群。这两条判据在"离群点是空间孤立的随机点"时非常有效。但真实深度相机的错误点不是这样产生的：飞点出现在深度不连续的边缘，一个像素同时看到前景与背景，返回介于两者之间的深度，于是错误点沿视线方向成串排列，串内间距与内点间距同量级；多径反射在凹角处产生整片偏移的曲面；镜面与低反射率区域产生成块的缺失或条带。这些错误有结构、有几何相关性，而密度判据对它们在原理上就失效。

已有工作到哪一步。 2026 ROBO016（Grand Award）"Higher-Order Cycles in 3D Outlier Detection" 在动机里自己写了经典滤波器 can struggle when point density varies, thin structures are present, or noise is structured instead of random——但它的实验是 synthetic datasets (plane, sphere, and torus) with 5–10% injected outliers, as well as on the Stanford Bunny dataset，注入式离群点恰恰是随机的。也就是说，它把结构化噪声写成了卖点，却只在随机噪声上验证。mine_isef "point cloud" 五届 11 项弱命中，无一以噪声结构或基准构造为主题。同时，48 篇 ROBO 获奖摘要的词频统计里 repeatab 0、tolerance 0、error bar 0、standard deviation 0、sensitivity analys 0；唯一的 ablation 来自 2025 ROBO054 的消融实验。

空白在于：这个子领域缺的不是又一个算法，而是一个带真值标注的结构化噪声基准——一个由论文自己指出、又被自己跳过的验证缺口。它适合一年期学生课题的理由很具体：唯一的采购项一周内到货；伪影是免费的（把相机对着黑色物体、镜面和细杆就有）；实验时间可压缩（多采几个场景就是多几个样本）；而且结论正负都成立——排序反转是结果，排序不反转说明该方法的优势不依赖随机性假设，比预期更强，也是结果。攻击面极其干净：你不需要否定它的算法，只需要把它自己承诺的那个场景补上。

3 · 可检验假设

H1 从注入式随机离群换到真实结构化伪影后，SOR 与 ROR 的召回率下降至少 30 个百分点，而高阶环路方法的下降幅度显著更小，导致三者的排序差距被拉大或反转。

依据的推算过程：SOR 的判据是"到 k 近邻的平均距离异常大"。飞点沿视线方向成串排列，串内点间距与内点点间距同量级，因此飞点的近邻平均距离落在内点分布之内，判据退化为按阈值随机命中。这个推理给出的是方向与下限——30 个百分点是基于"串内近邻距离与内点同量级"的定性推理给出的保守下限，实际值必须由实验测定，不得当作已知量引用。

H2（机制假设，H1 被否证时仍有内容）若排序不反转，则高阶环路方法的优势来自拓扑一致性而非密度假设；此时其性能残差应与伪影的空间连通尺度（成片伪影的连通域大小）相关，而不与伪影占比相关。这给出一个可分离的判据：按连通域大小分箱重算 F1，看曲线走向。

4 · 量化验收标准

1. 方法学校验（硬门槛，不过关则后续全部结论无效）。 两件事必须同时通过：① 在一个解析可控的合成场景上（干净平面 + 注入 5.00% 均匀离群），管线统计出的真值离群点数必须与注入数完全相等（偏差 0 个点），且标注—预测配对无 off-by-one；② 在 ROBO016 用过的设定（plane / sphere / torus + 5–10% 注入离群、Stanford Bunny）上复现其定性排序，即高阶环路方法的 F1 高于 SOR/ROR。跑不出这两条不许往下做。（ROBO016 报告的具体 F1 数值本文件未记载，此处存疑，需回原文核对后再确定是否加设数值偏差门槛。）
2. 统计口径预先写死——两个 n 必须分开。 每种伪影类型至少 10 个不同场景（不同物体、不同距离、不同材质），每个场景重复采集 5 帧。报告时必须分别给出「同一场景重复采帧的标准差」与「不同场景之间的标准差」——前者是传感器与曝光的波动，后者是方法在几何多样性下的稳定性，这两个 n 不是一回事，混算是本类目最常见的错误。
3. 真值标注规程必须可辩护并预先定死。 结构化噪声没有天然标签。参考几何由标准件提供（已知平面度的标定板、已知直径的球体），配合多帧一致性投票产生参考标注；标注规程写入研究计划并公开，且必须报告两次独立标注之间的一致性（IoU 或 Cohen's κ）。这一环没想清楚不要启动采集。
4. 超参必须扫描，并报告优化前后的同口径对比。 SOR 的 k 与 α、ROR 的半径与最小邻点数各扫描 ≥ 5 个点；每种方法都报告"库默认参数"与"该基准上调优参数"两套成绩——否则比较的是调参努力而不是方法本身。
5. 阴性结果预案（开题时即写好）。 若排序不反转，交付物改为"各方法在结构化噪声下的性能衰减幅度表"，按伪影类型 × 连通域尺度分格。这仍是完整结论。
6. 可复现性。 采集脚本、相机内参与位姿记录、标注文件、超参扫描配置、以及基准数据集本身全部开源——基准本身就是本课题的主产物。

5 · 数据与工具

用途	来源 / 工具
深度点云采集	Intel RealSense D435，国内现货约 ¥1,300–1,800、一周内到货（源文件既有内容）。这是唯一的采购项
采购受阻时的退路	公开的 RGB-D 数据集（带有真实传感器噪声的室内扫描数据）配合人工标注离群点，可行性不受影响（源文件既有内容）。具体数据集名称与许可需核实
参考几何（真值来源）	已知平面度的标定板 + 已知直径球体等标准件，量级约 ¥200–400，具体型号、精度等级与货期需核实
伪影激发试件	黑色低反射率材料、镜面、薄结构（细杆/栅格）。耗材级，一周内到货。注意展台禁玻璃，镜面试件只能用照片展示
经典滤波器实现	点云处理库中的 SOR / ROR 实现，具体库名与版本需核实并在第 1 周锁定
高阶环路方法实现	须按 ROBO016 的算法描述自行实现，或确认是否存在公开实现。该实现的可得性需核实——这是 §8 的头号采购外风险项
失效定位	USB 显微镜（源文件列为安全器材，一周内到货），用于核对试件表面状态
对照基准	ROBO016 的合成设定（plane/sphere/torus + 5–10% 注入离群、Stanford Bunny）（仅用于校验与对比，不计入本项目的数据贡献）
计算环境	笔记本 CPU，点云规模为百万点量级，无需 GPU

能力边界须核实项： ① 深度相机的出厂后处理滤波（空间/时间/补洞类）默认是否开启——若开启，你以为在测算法，其实在测厂商滤波器；必须核实并全程显式关闭，且在论文中写明配置。② 高阶环路方法是否有公开实现，或摘要级描述是否足以复现。③ 相机的有效工作距离范围与超出范围时的深度返回值约定。④ 公开 RGB-D 数据集的许可与真值标注可得性。

6 · 方法路径

1. 搭采集台 + 用标准件标定 + 完成 §4 第 1 条自检。 固定相机与试件的相对位姿，用标定板与已知直径球确认尺度与内参正确。这一步不过不许继续。
2. 核实器材能力边界。 本方向已知的静默失败点（不报错但给错结果），逐一排查： - 相机出厂后处理滤波默认开启，在你采集之前就抹掉一部分飞点，测到的是厂商滤波器叠加你的算法； - 深度图投影成点云时用了彩色相机的内参，整片点云被系统性错位，肉眼看不出、程序不报错； - 自动曝光使同一场景不同帧的伪影强度不同，帧间标准差被误当作方法的不稳定性； - 彩色与深度时间戳未对齐，若标注借助彩色图，标注与点云整体错位； - 超出有效工作距离时深度被静默截断为 0 或最大值，这些点算内点还是离群点取决于你怎么过滤——判据必须显式写死并公开。
3. 冻结伪影分类学与标注规程，写入研究计划。此后不得增删伪影类别。
4. 采集并标注结构化噪声基准（本课题的主产物）：≥ 10 场景/类型 × 5 帧，双人独立标注并报告一致性。
5. 在两套基准上跑三种方法 × 超参扫描：注入式随机离群基准 vs 真实结构化伪影基准，同一套评价脚本。
6. 报告排序是否反转，附场景间与帧间双重误差棒，并按 H2 的判据做连通域尺度分箱重算。
7. 独立交叉校验。 用另一种原理测同一个量：用普通网络摄像头做多视角立体重建，对同一场景产生第二份点云，检查同一空间位置是否出现同样的错误点。若两种成像原理都出现，则该错误由场景几何造成；只有深度相机出现，则是传感器伪影——这是把"伪影"这个标签本身做成可验证判据的唯一干净办法。

7 · 新颖性边界

本课题不声称： - 不声称 ROBO016 的算法有错。 它在自己声明的设定内是成立的；本课题补的是它自己点名却没测的场景。这个定位在答辩时必须讲清楚。 - 不声称首次提出"结构化噪声"这个概念——ROBO016 自己在动机里就写了 noise is structured instead of random。 - 不声称首次为深度相机建立噪声模型。传感器噪声建模在计算机视觉文献中成熟；本课题不做建模，只做基准。 - 不声称提出新的离群检测算法。本课题不产出算法。

已有工作做到哪： ROBO016 的实验为 synthetic datasets (plane, sphere, and torus) with 5–10% injected outliers, as well as on the Stanford Bunny dataset，全部为注入式随机离群；mine_isef "point cloud" 五届 11 项弱命中，无一以噪声结构或基准构造为主题。

本项目的贡献（属「评价维度转换」型）： 已有工作评估的是"算法在随机离群上多准"；本项目评估的是"当噪声换成传感器真实产生的结构化伪影时，这个排序是否还成立"，并交付一个带真值标注、可公开复用的结构化噪声基准。这是主结论，不是附加内容。

为什么有价值： 结构化伪影正是所有部署到实机上的点云管线每天遇到的东西。如果排序在真实噪声上反转，那么"按合成基准选滤波器"这个做法本身就是错的——这个判断会直接改变后来者的工程选择。而这个场景是获奖项目自己点名、又自己跳过的。

若结论不显著： 排序不反转同样是有效结论（说明该方法的优势不依赖噪声随机性假设，比预期更强），但必须给出误差棒证明有能力分辨这个差异——特别是必须把场景间标准差算进去，只报帧间标准差会把置信区间压窄成假象。

8 · 决策门槛（go / no-go）

🟢 2026-08-25（第 3 周末）：相机到货、标定完成、§4 第 1 条自检通过。 采购周期一周内，不构成 4 周以上的采购风险。若采购仍受阻，立即切换到公开 RGB-D 数据集路线（源文件既有退路），主结论框架完全不变，代价是伪影类型不可控、只能用数据集里已有的那些，须在局限性中声明。

🔴 2026-09-14（第 6 周末）：高阶环路方法的可运行实现必须到手。 这是本课题最大的单点风险。若无公开实现、且摘要级描述不足以复现，降级路径：把比较对象改为多种公开可得的经典滤波器族（SOR、ROR 及其常见变体），主结论框架从"重测 ROBO016 的排序"变为"经典滤波器族在结构化噪声上的排序是否与在随机噪声上一致"——基准本身（本课题的主产物）完全不受影响，评价维度转换的贡献类型也不变。

🔴 2026-10-12（第 10 周末）：基准采集与标注完成。 未完成则按预定顺序砍伪影类型数（见预算裁剪顺序），不得延后到 11 月，否则分析与展板时间被吃掉。

2026-12-15：数据采集截止，留 3 周分析与展板。

⚠️ 与「附属赛后不得修改」的冲突点： 伪影分类学（哪几类算结构化噪声）、真值标注规程、超参扫描范围一旦在附属赛后想改就不被允许。必须在 11 月底前定死。 事后增删一个伪影类别，等于事后挑选对自己有利的子集，是选择性报告。

须提前核实而非边做边发现的事项： - 相机出厂后处理滤波的默认状态——这是第 1 周就必须解决的事，等到分析阶段才发现，全部数据作废。 - 高阶环路方法的实现可得性（见上）。 - ROBO016 报告的具体 F1 数值本文件未记载，此处存疑，需回原文核对。 - 本文件证据级别为"基于本地五届语料，未做外部文献核查"，2022–2024 三届只有标题，"零命中"不能单独作为新颖性证据，开题前须自行补一轮独立文献检索（重点查点云去噪基准与 RGB-D 噪声数据集）。

已知困难及其定位： 结构化噪声没有天然的真值标签，这是本课题唯一的方法学难点。这个困难本身就是研究内容——"如何为传感器伪影建立一份可辩护、可复现的真值"正是这个基准的核心贡献，不是需要绕开的障碍。

选择前提： 适合愿意做枯燥采集与标注的学生。最耗时也最不好看的一环是标注（3–4 周），但没有标注就没有基准，整个课题不成立。 不适合想写新算法的学生——本课题明确不产出算法。

预算裁剪顺序： 总预算约 ¥2,000。裁剪顺序：先砍第二种成像原理的交叉校验（改为单一原理 + 多视角自洽性检查），再把伪影类型从 4–5 类砍到 2 类（飞点 + 镜面高光），再把场景数从 10 砍到 6。砍到最后主结论（排序是否反转）仍成立，只是置信区间变宽。

🔴 展台能否展示实物： 可以，但有限制。 相机是干燥固体，可上台；主要展示物是点云可视化、F1 对照曲线与失效案例图。镜面/玻璃类试件不得上台（展台禁玻璃），只能用照片。无液体、无锐器、无干燥粉末、无电池组、无通电无人机。本课题的产出天然是数据，展台限制影响很小。

评分： O=8, W=8, F=8, S=7, Fit=10 → base=80.6，h=5 → [76, 86]，置信度：高

---