CN114091628B - 基于双分支网络的三维点云上采样方法及系统 - Google Patents
基于双分支网络的三维点云上采样方法及系统 Download PDFInfo
- Publication number
- CN114091628B CN114091628B CN202210063333.3A CN202210063333A CN114091628B CN 114091628 B CN114091628 B CN 114091628B CN 202210063333 A CN202210063333 A CN 202210063333A CN 114091628 B CN114091628 B CN 114091628B
- Authority
- CN
- China
- Prior art keywords
- global
- module
- result
- local
- upsampling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
- G06T17/205—Re-meshing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Graphics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明属于深度学习和图形处理领域,为解决因数据不同局部分布而降低整体采样质量的问题,提供了基于双分支网络的三维点云上采样方法及系统。其中三维点云上采样方法包括对三维模型数据集进行数据预处理,得到成片的输入数据;再进行随机下采样及数据增强,得到增强后的输入数据;得到局部上采样结果和全局上采样结果;将局部上采样结果和全局上采样结果依次进行组合和池化操作,得到组合模型;将组合模型进行特征编码并与全局几何特征进行拼接,再求得组合模型中每个点的偏移量;将组合模型与相应偏移量累加,得到融合细化结果;对局部上采样结果、全局上采样结果、组合模型和融合细化结果进行约束,得到最终上采样结果,提升了整体采样质量。
Description
技术领域
本发明属于深度学习和图形处理领域,尤其涉及一种基于双分支网络的三维点云上采样方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
点云作为三维数据的简单表示形式,具有获取方便,表达方式简单等特点,被广泛应用于汽车驾驶、机器人、渲染和医学分析等领域。然而,三维扫描产生的原始点云局部通常稀疏不均匀,对分割、分类、识别的后续任务带来很大挑战,所以现在普遍采用的方法是将点云进行上采样,期望得到一个分布均匀的密集点云。
点云上采样的目标不仅限于从稀疏输入得到一个密集点集,更重要的是,这个密集点集要完美的贴合输入点云所表示的潜在表面。但由于输入点云通常是稀疏的、不均匀的和嘈杂的,它们可能不能很好的表示潜在表面的精细结构,这就对提出的方法有鲁棒性的要求。
目前点云上采样方法分为两种:传统方法以及基于深度学习的方法。传统方法主要是基于优化的各种形状先验(如,表面和法线的局部平滑度等)作为约束,只能处理一些简单对象。基于深度学习的方法大都将不同尺度的上采样看作独立的任务,对于每个尺度都需要单独训练一个特定的网络。但在实际应用中,由于不同规模、不同设备获取的原始点云的密度是不能确定的,如果对每一尺度单独训练一个网络,这无疑是低效的,不切实际的。现有技术中一些成倍增长的方法被提出解决这个问题,但仍无法实现对如非整数尺度等任意倍数的上采样。
综上所述,目前点云上采样方法存在因数据不同局部分布而给数据融合带来缺陷,从而降低了整体采样质量。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种基于双分支网络的三维点云上采样方法及系统,其通过局部感知分支来获取输入点云稠密区域的特征,通过全局感知分支来获取输入点元稀疏、破损区域的特征,能够有效地避免数据因不同局部而分布带来的数据融合缺陷,通过有针对性的单独优化分支来实现整体采样质量的提升。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种基于双分支网络的三维点云上采样方法,其包括:
对三维模型数据集进行数据预处理,得到成片的输入数据;
对成片的输入数据进行随机下采样及数据增强,得到增强后的输入数据;
基于双分支网络分别提取增强后输入数据的局部几何特征和全局几何特征,进而得到局部上采样结果和全局上采样结果;
将局部上采样结果和全局上采样结果依次进行组合和池化操作,得到期望点数的组合模型;
将组合模型进行特征编码并与全局几何特征进行拼接,再基于自注意力机制求得组合模型中每个点的偏移量;
将组合模型与相应偏移量累加,得到融合细化结果;
利用曲面重建信息与频域信息对局部上采样结果、全局上采样结果、组合模型和融合细化结果进行约束,得到最终上采样结果。
本发明的第二个方面提供一种基于双分支网络的三维点云上采样系统,其包括:
数据预处理模块,其用于对三维模型数据集进行数据预处理,得到成片的输入数据;
随机采样及增强模块,其用于对成片的输入数据进行随机下采样及数据增强,得到增强后的输入数据;
特征提取模块,其用于基于双分支网络分别提取增强后输入数据的局部几何特征和全局几何特征,进而得到局部上采样结果和全局上采样结果;
组合模型获取模块,其用于将局部上采样结果和全局上采样结果依次进行组合和池化操作,得到期望点数的组合模型;
偏移量计算模块,其用于将组合模型进行特征编码并与全局几何特征进行拼接,再基于自注意力机制求得组合模型中每个点的偏移量;
融合细化模块,其用于将组合模型与相应偏移量累加,得到融合细化结果;
结果约束模块,其用于利用曲面重建信息与频域信息对局部上采样结果、全局上采样结果、组合模型和融合细化结果进行约束,得到最终上采样结果。
与现有技术相比,本发明的有益效果是:
(1)本发明提出了一种综合局部特征和全局特征的双分支网络架构,提取增强后输入数据的局部几何特征和全局几何特征,得到局部上采样结果和全局上采样结果,能够感知不同范围的数据特征,最终得到了高质量的采样结果。
(2)本发明利用曲面重建信息与频域信息对局部上采样结果、全局上采样结果、组合模型和融合细化结果进行约束,得到最终上采样结果,根据数据分布特征在监督信息中应用频域约束,从而使得结果分布更理想。
(3)基于双分支网络的三维点云上采样方法为端到端的任意倍数上采样方法,与单一倍率相比更有实用价值;而且与现有的任意尺度上采样方法相比,能够更好的应对随机输入带来的小范围缺失的情况。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例中基于双分支网络的三维点云上采样方法流程图;
图2为本发明实施例中全局特征提取模块示意图;
图3为本发明实施例中残差图卷积模块示意图;
图4为本发明实施例中卡方卷积模块示意图;
图5为本发明实施例中自注意力模块示意图;
图6为本发明实施例中分片的输入数据组成的完整模型;
图7为本发明实施例中局部感知结果;
图8为本发明实施例中全局感知结果;
图9为本发明实施例中融合细化之后的最终结果;
图10为本发明事实例中的数据增强后的输入数据。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
参照图1,本实施例提供了一种基于双分支网络的三维点云上采样方法,其具体包括如下步骤:
步骤1:对三维模型数据集进行数据预处理,得到成片的输入数据。
在步骤1中,对三维模型数据集进行数据预处理的过程包括:
步骤1.1:对三维模型数据集进行蓝噪声采样,得到均匀的点云模型数据;
步骤1.2:对均匀的点云模型数据进行分片,得到成片的输入数据。
例如:
从Visionair仓库中选取60个3D网格模型,这些模型有平滑的非刚性物体(如:兔子)和带有锐利边缘的刚性物体(如:椅子)。其中,随机选取40个作为测试集,20个作为训练集。
对网格模型进行蓝噪声采样,采样量为,采样结果按照<x,y,z>格式进行存储。由于复杂度与采样质量的约束,本实例选取较为简单的泊松圆盘采样作为蓝噪声采样的具体实现。由于泊松圆盘采样难以得到确定数量的采样结果,所以我们实际采样量大于等于,然后在对结果进行最远点采样,从而得到准确的采样量,在本实例中,为20000。
对得到的点云模型进行分片。由于上采样作为低级视觉问题,目标聚焦于局部几何形状,所以本实施例采用分片的方式进行训练,将每个训练模型剪切为200个片,共8000片模型作为训练集。具体地,对于每一个训练模型,首先利用最远点采样,采样得到200个种子点,作为片的中心。对每一个种子点,利用K近邻算法,得到离种子点最近的N r 个点,作为输入数据,其中N r 为4096。图6给出了分片的输入数据组成的完整模型。
此步骤得到的结果为双分支网络用于监督的ground truth。其中,在机器学习中,ground truth指的是训练集对监督学习技术的分类的准确性。这在统计模型中被用来证明或否定研究假设。ground truth是为测试收集适当的目标(可证明的)数据的过程。
步骤2:对成片的数据进行随机下采样及数据增强,得到增强后的输入数据。
其中,采用蒙特卡洛对成片的输入数据进行随机下采样。随机下采样比率为双分支网络的上采样比率,上采样比率是小于等于预设最大上采样率的任意正实数。
步骤2的具体过程包括:
步骤2.1:对ground truth数据进行随机下采样,得到采样后的点云数据与上采样率R。
具体地,首先输入最大上采样率作为超参(本实例中),利用numpy库随机生成小于等于的正实数R作为上采样率(注意R可以不是整数,并且每个输入数据对应的R值不同)。根据上采样率R,求得下采样数。同时,将ground truth的个数,更新为,更新方式是直接取前个。采用蒙特卡洛随机下采样,将ground truth下采样到N个,为了便于描述,在下文中将随机下采样的结果称为输入数据。
具体地,首先设置一个缩放幅值因子,其大小为0.4。然后根据设置的这个缩放幅值来定义缩放的比例范围为[0.8,1.2]。利用numpy库提供的随机生成数,从上述提供的比例范围内选择一个缩放比例因子。遍历每一片的点云数据并将每一片内的点云数据乘以上述缩放比例因子即可获得随机缩放后的输入数据。
步骤3:基于双分支网络分别提取增强后输入数据的局部几何特征和全局几何特征,进而得到局部上采样结果和全局上采样结果。其中,局部上采样结果如图7所示,全局上采样结果如图8所示。
在具体实施过程中,所述双分支网络包括局部感知模块和全局感知模块,所述局部感知模块和全局感知模块用于分别提取增强后输入数据的局部几何特征和全局几何特征。
其中,所述局部感知模块由17个局部特征编码模块组成,每个模块由一个图卷积和一个卡方卷积串联组成。利用其局部感知能力强的特点,提取出点云的局部特征;利用残差跳跃连接,防止过拟合。
利用局部感知模块来提取局部几何特征,从而约束生成点紧贴模型的潜在表面。
具体地,局部感知模块被设计成一个渐进的模式,将输入通过(3,128,128)的多层感知机,得到简单结构特征,本实例中C=128。将通过7个残差图卷积与卡方卷积的局部特征编码组合,再通过一个局部上采样,得到采样结果;再经过10个残差图卷积与卡方卷积的局部特征编码组合,再通过一个局部上采样层采样到局部感知模块的最终结果。残差图卷积与卡方卷积模块用于局部特征提取,上采样模块用于产生新点,三个部分的定义在下文具体说明。
如图3所示,残差图卷积设计如下:
图卷积作为定义在图上的卷积,其定义为:
为了提高收敛速度,更好的利用低维特征与高维特征的相似性,本实例在图卷积的基础上,还引入了残差跳跃连接。残差连接不仅提高了速度,还减缓了网络的退化,提高了深层网络的实际表达能力。
具体地,首先将输入点通过一个ReLU激活函数,得到非线性变化后的输入。然后,对ReLu(P)求8近邻,得到成组的点集。将得到的近邻特征拼接上ReLu激活后的点集,得到融合了局部特征的点集。对点集的第三个维度求均值,得到归一化后的点集。最后,建立残差连接,将与输入逐元素相加,得到融合了局部特征的点集。
如图4所示,卡方卷积模块的设计如下:
卡方卷积是在pointCNN提出的一种新的卷积方案,对每个点的邻居点进行特征重排,获取顺序无关的邻域特征序列,从而减小相同邻域关系因输入顺序不同而带来的误差。卡方卷积具体实现如下:
局部上采样模块的设计如下:
在点云上的深度学习中,增加点数的方法通常有两种:复制或变形。在本模块中,主要采用变形的方式使得点数增加。
将残差图卷积与卡方卷积提取的特征作为输入,通过一个ReLU激活函数,再求8近邻,得到成组的点集。将得到的近邻特征拼接上原点集,通过一个一维卷积,将变换为得到。再将第三个维度求均值,得到。最后,通过矩阵变形,将变形为。由于此时得到的点数是最大采样率下的结果,所以要对此结果进行下采样,在本实例中,用最远点采样的方法得到最终与ground truth相同点数的采样结果。
其中,所述全局感知模块包括特征提取模块、上采样模块和坐标回归模块;如图2所示,特征提取模块由一系列多层感知机组成;上采样模块采用特征复制的方式产生新点,在特征下添加规则的网格特征来区分新旧点集;坐标回归模块由通道逐渐减小的多层感知机组成。
利用全局感知模块来提取全局几何特征,使得输入较稀疏的部分也能够很好的拟合出潜在表面。
对于输入点数较为稀疏的区域,由于点与点之间的空隙较大,很难通过局部的几个点拟合出潜在表面。基于此,抛弃局部观点,从整体的角度看流形的曲率变化,从而学习出潜在表面。
利用全局感知模块来提取全局几何特征的目标是将输入数据通过全局感知模块,得到全局感知下的结果。具体地,我们首先将聚合特征通过一个特征提取单元转化成,其中表示特征提取后的新的特征通道。然后将输入一个特征扩展单元,生成扩展后的特征。在这一步中,采用常用的扩展操作,将复制R个副本,并与一个规则的2D网格连接,得到。最后,将得到的通过一个由多层感知机组成的坐标回归模块,得到最终希望的。
其中,特征提取模块由一系列稠密连接的密集块组成。在神经网络的图像处理中,跳跃连接是提取不同层特征的有力工具。在pointnet++后,大多数基于点的网络通常都是分层下采样输入点集从而提取多尺度信息。然而,由于下采样会引起点位置变化,使得跳跃连接前的对点进行搜索非常费时。
本实例用一个简单架构改善上述问题,在每个密集多层感知机中,将输入压缩为固定数量的特征,使用基于特征的KNN搜索,通过密集连接的多层感知机,对每个邻域组特征进行细化,最后通过最大池化层计算出顺序不变的点特征。每个密集块产生的特征作为输入供后面的模块使用,通过跳跃连接支持信息的显式复用,这在显著减小模型尺寸的同时提高了重构精度,并且该方法还在没有点集下采样的情况下获得了远程和全局的信息。
步骤4:将局部上采样结果和全局上采样结果依次进行组合和池化操作,得到期望点数的组合模型。
步骤5:将组合模型进行特征编码并与全局几何特征进行拼接,再基于自注意力机制求得组合模型中每个点的偏移量。
为了使生成的点集更好的贴合潜在表面,本实例添加了一个融合细化模块,求得每个点的偏移量,对生成的点集进行进一步细化处理。
与偏移量相比,绝对点坐标更加多样化,在3D空间中分布更广。网络很难在不引入噪声、保持均匀性和结构信息的情况下,融合点的信息。所以在该模块中,本实例舍弃直接回归的方法,只学习每个点的偏移量,从而得到更好的效果。
具体地,将得到的通过一个编码器,得到深层的特征聚合。为了方便,本实例使用了预训练的pointnet Encoder结构作为编码器,用于提取特征。在本实例中,使用三层一维卷积、三层BatchNorm层、三层激活层ReLU作为sharedMLP(共享多层感知机)将输入的3通道全部点云数据提取特征升维至256维,再经过一层最大池化与一层一维卷积计算得到1个256维的向量,作为。再将与提取到的全局特征进行拼接,然后通过一个如图5所示的自注意力模块来获得精细的特征图。因为该单元对所有点的注意力权重进行回归,从而引入了远程上下文依赖。最后通过一个多层感知机组成的坐标回归模块,得到点的偏移量。
步骤6:将组合模型与相应偏移量累加,得到融合细化结果,如图9所示。
步骤7:利用曲面重建信息与频域信息对局部上采样结果、全局上采样结果、组合模型和融合细化结果进行约束,得到最终上采样结果。
其中,是对局部感知结果的监督,是对全局感知结果的监督,是对下采样后粗糙的结果的监督,是对最终结果的监督。参数控制每一项的相对重要性。在网络训练早期,设置一个小的,使网络更专注训练生成部分,产生更好的和。随着训练进行,的值逐渐增加,让局部感知模块与全局感知模块更加平衡。随着生成部分的训练逐渐平稳,的值也逐渐增大,让融合细化模块也得到充分的训练。
由于想得到的结果是具有随机、均匀等蓝噪声特征的泊松盘采样,所以根据蓝噪声高频含量较高,低频含量较低的性质,本实例对点云的频域信息进行约束。实值周期图像信号可以表示为各频率、幅度和相移的正弦振荡之和。傅里叶变换可以将信号转换到频域,在信号分析中得到了广泛的应用。本实例提出了频域损失去计算经过傅里叶变换后的输入与ground truth的差异,从而得到更均匀的结果。具体地,对点云的傅里叶变化定义如下:
其中,P表示空间域上的点云坐标,Q表示经过傅里叶变换后的频域上的点云坐标。
第一项表示点集P中任意一点x到点集Q的最小距离之和,第二项则表示点集Q中的任意一点y到点集P中的最小距离之和。如果该距离较大,则说明两组点云区别较大;如果距离较小,则说明重建效果较好。
在对最终结果进行监督的时候,采用了频域上的倒角距离与空域上的推土机距离( Earth Mover’s Distance,简称EMD,用来表示两个分布的相似程度,在计算机中经常用到)进行监督:
表示融合细化模块的结果经过傅里叶变换后,频域下的倒角距离;第二项,表示结果在推土机距离下的定义。推土机距离是评估两个点集之间相似性的另一种候选方法。但与倒角距离相比,推土机距离能更好地捕捉形状以鼓励输出点靠近物体的潜在表面。但因其计算复杂,成本较高,所以本实例只在对最终结果进行约束时使用。
实施例二
本实施例提供了一种基于双分支网络的三维点云上采样系统,其具体包括如下模块:
数据预处理模块,其用于对三维模型数据集进行数据预处理,得到成片的输入数据;
随机采样及增强模块,其用于对成片的输入数据进行随机下采样及数据增强,得到增强后的输入数据;
特征提取模块,其用于基于双分支网络分别提取增强后输入数据的局部几何特征和全局几何特征,进而得到局部上采样结果和全局上采样结果;
组合模型获取模块,其用于将局部上采样结果和全局上采样结果依次进行组合和池化操作,得到期望点数的组合模型;
偏移量计算模块,其用于将组合模型进行特征编码并与全局几何特征进行拼接,再基于自注意力机制求得组合模型中每个点的偏移量;
融合细化模块,其用于将组合模型与相应偏移量累加,得到融合细化结果;
结果约束模块,其用于利用曲面重建信息与频域信息对局部上采样结果、全局上采样结果、组合模型和融合细化结果进行约束,得到最终上采样结果。
其中,所述双分支网络包括局部感知模块和全局感知模块,所述局部感知模块和全局感知模块用于分别提取增强后输入数据的局部几何特征和全局几何特征。
所述全局感知模块包括特征提取模块、上采样模块和坐标回归模块;特征提取模块由一系列多层感知机组成;上采样模块采用特征复制的方式产生新点,在特征下添加规则的网格特征来区分新旧点集;坐标回归模块由通道逐渐减小的多层感知机组成。
此处需要说明的是,本实施例中的各个模块与实施例一中的各个步骤一一对应,其具体实施过程相同,此处不再累述。
本发明是参照本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于双分支网络的三维点云上采样方法,其特征在于,包括:
对三维模型数据集进行数据预处理,得到成片的输入数据;
对成片的输入数据进行随机下采样及数据增强,得到增强后的输入数据;
基于双分支网络分别提取增强后输入数据的局部几何特征和全局几何特征,进而得到局部上采样结果和全局上采样结果;
将局部上采样结果和全局上采样结果依次进行组合和池化操作,得到期望点数的组合模型;
将组合模型进行特征编码并与全局几何特征进行拼接,再基于自注意力机制求得组合模型中每个点的偏移量;
将组合模型与相应偏移量累加,得到融合细化结果;
利用曲面重建信息与频域信息对局部上采样结果、全局上采样结果、组合模型和融合细化结果进行约束,得到最终上采样结果。
2.如权利要求1所述的基于双分支网络的三维点云上采样方法,其特征在于,所述双分支网络包括局部感知模块和全局感知模块,所述局部感知模块和全局感知模块用于分别提取增强后输入数据的局部几何特征和全局几何特征。
3.如权利要求2所述的基于双分支网络的三维点云上采样方法,其特征在于,所述局部感知模块由17个残差图卷积和卡方卷积组成;其中,卡方卷积是在pointCNN提出的一种新的卷积方案,对每个点的邻居点进行特征重排,获取顺序无关的邻域特征序列,从而减小相同邻域关系因输入顺序不同而带来的误差。
4.如权利要求2所述的基于双分支网络的三维点云上采样方法,其特征在于,所述全局感知模块包括特征提取模块、上采样模块和坐标回归模块;特征提取模块由一系列多层感知机组成;上采样模块采用特征复制的方式产生新点,在特征下添加规则的网格特征来区分新旧点集;坐标回归模块由通道逐渐减小的多层感知机组成。
5.如权利要求1所述的基于双分支网络的三维点云上采样方法,其特征在于,对三维模型数据集进行数据预处理的过程包括:
对三维模型数据集进行蓝噪声采样,得到均匀的点云模型数据;
对均匀的点云模型数据进行分片,得到成片的输入数据。
6.如权利要求1所述的基于双分支网络的三维点云上采样方法,其特征在于,采用蒙特卡洛对成片的输入数据进行随机下采样。
7.如权利要求1所述的基于双分支网络的三维点云上采样方法,其特征在于,在对成片的输入数据进行随机下采样的过程中,随机下采样比率为双分支网络的上采样比率,上采样比率是小于预设最大上采样率的任意正实数。
8.一种基于双分支网络的三维点云上采样系统,其特征在于,包括:
数据预处理模块,其用于对三维模型数据集进行数据预处理,得到成片的输入数据;
随机采样及增强模块,其用于对成片的输入数据进行随机下采样及数据增强,得到增强后的输入数据;
特征提取模块,其用于基于双分支网络分别提取增强后输入数据的局部几何特征和全局几何特征,进而得到局部上采样结果和全局上采样结果;
组合模型获取模块,其用于将局部上采样结果和全局上采样结果依次进行组合和池化操作,得到期望点数的组合模型;
偏移量计算模块,其用于将组合模型进行特征编码并与全局几何特征进行拼接,再基于自注意力机制求得组合模型中每个点的偏移量;
融合细化模块,其用于将组合模型与相应偏移量累加,得到融合细化结果;
结果约束模块,其用于利用曲面重建信息与频域信息对局部上采样结果、全局上采样结果、组合模型和融合细化结果进行约束,得到最终上采样结果。
9.如权利要求8所述的基于双分支网络的三维点云上采样系统,其特征在于,所述双分支网络包括局部感知模块和全局感知模块,所述局部感知模块和全局感知模块用于分别提取增强后输入数据的局部几何特征和全局几何特征。
10.如权利要求9所述的基于双分支网络的三维点云上采样系统,其特征在于,所述全局感知模块包括特征提取模块、上采样模块和坐标回归模块;特征提取模块由一系列多层感知机组成;上采样模块采用特征复制的方式产生新点,在特征下添加规则的网格特征来区分新旧点集;坐标回归模块由通道逐渐减小的多层感知机组成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210063333.3A CN114091628B (zh) | 2022-01-20 | 2022-01-20 | 基于双分支网络的三维点云上采样方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210063333.3A CN114091628B (zh) | 2022-01-20 | 2022-01-20 | 基于双分支网络的三维点云上采样方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114091628A CN114091628A (zh) | 2022-02-25 |
CN114091628B true CN114091628B (zh) | 2022-04-22 |
Family
ID=80308908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210063333.3A Active CN114091628B (zh) | 2022-01-20 | 2022-01-20 | 基于双分支网络的三维点云上采样方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091628B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115661340B (zh) * | 2022-10-13 | 2024-05-28 | 南京航空航天大学 | 一种基于源信息融合的三维点云上采样方法与系统 |
CN115830375A (zh) * | 2022-11-25 | 2023-03-21 | 中国科学院自动化研究所 | 点云分类方法及装置 |
CN116468767B (zh) * | 2023-03-28 | 2023-10-13 | 南京航空航天大学 | 基于局部几何特征和隐式距离场的飞机表面重建方法 |
CN117808721B (zh) * | 2024-02-28 | 2024-05-03 | 深圳市瓴鹰智能科技有限公司 | 基于深度学习的低照度图像增强方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034077A (zh) * | 2018-08-01 | 2018-12-18 | 湖南拓视觉信息技术有限公司 | 一种基于多尺度特征学习的三维点云标记方法和装置 |
CN112101278A (zh) * | 2020-09-25 | 2020-12-18 | 湖南盛鼎科技发展有限责任公司 | 基于k近邻特征提取和深度学习的宅基地点云分类方法 |
CN112750198A (zh) * | 2021-01-12 | 2021-05-04 | 南京理工大学 | 一种基于非刚性点云的稠密对应预测方法 |
CN113177555A (zh) * | 2021-05-21 | 2021-07-27 | 西南大学 | 基于跨层级跨尺度跨注意力机制的目标处理方法及装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102215101B1 (ko) * | 2019-07-16 | 2021-02-09 | 연세대학교 산학협력단 | 이미지로부터 획득한 객체의 특징을 이용한 포인트 클라우드 생성 장치 및 방법 |
CN111724478B (zh) * | 2020-05-19 | 2021-05-18 | 华南理工大学 | 一种基于深度学习的点云上采样方法 |
CN111862289B (zh) * | 2020-08-04 | 2022-04-19 | 天津大学 | 一种基于gan网络的点云上采样方法 |
CN112037228A (zh) * | 2020-11-05 | 2020-12-04 | 中南大学 | 一种基于双倍注意力的激光雷达点云目标分割方法 |
CN112529015A (zh) * | 2020-12-17 | 2021-03-19 | 深圳先进技术研究院 | 一种基于几何解缠的三维点云处理方法、装置及设备 |
CN112541908B (zh) * | 2020-12-18 | 2023-08-29 | 广东工业大学 | 基于机器视觉的铸件飞边识别方法及存储介质 |
CN112991273B (zh) * | 2021-02-18 | 2022-12-16 | 山东大学 | 三维牙齿模型的正畸特征自动检测方法及系统 |
AU2021105154A4 (en) * | 2021-08-09 | 2021-11-11 | Yunshigao Technology Company Limited | Adaptive Hierarchical Sampling for image Classification |
CN113870160B (zh) * | 2021-09-10 | 2024-02-27 | 北京交通大学 | 一种基于变换器神经网络的点云数据处理方法 |
-
2022
- 2022-01-20 CN CN202210063333.3A patent/CN114091628B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034077A (zh) * | 2018-08-01 | 2018-12-18 | 湖南拓视觉信息技术有限公司 | 一种基于多尺度特征学习的三维点云标记方法和装置 |
CN112101278A (zh) * | 2020-09-25 | 2020-12-18 | 湖南盛鼎科技发展有限责任公司 | 基于k近邻特征提取和深度学习的宅基地点云分类方法 |
CN112750198A (zh) * | 2021-01-12 | 2021-05-04 | 南京理工大学 | 一种基于非刚性点云的稠密对应预测方法 |
CN113177555A (zh) * | 2021-05-21 | 2021-07-27 | 西南大学 | 基于跨层级跨尺度跨注意力机制的目标处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114091628A (zh) | 2022-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114091628B (zh) | 基于双分支网络的三维点云上采样方法及系统 | |
CN110211045B (zh) | 基于srgan网络的超分辨率人脸图像重建方法 | |
CN111724478B (zh) | 一种基于深度学习的点云上采样方法 | |
CN111047548B (zh) | 姿态变换数据处理方法、装置、计算机设备和存储介质 | |
Wang et al. | Hierarchical attention learning of scene flow in 3d point clouds | |
CN110929736B (zh) | 多特征级联rgb-d显著性目标检测方法 | |
CN112001960A (zh) | 基于多尺度残差金字塔注意力网络模型的单目图像深度估计方法 | |
Djemame et al. | Solving reverse emergence with quantum PSO application to image processing | |
CN113159232A (zh) | 一种三维目标分类、分割方法 | |
CN116797787B (zh) | 基于跨模态融合与图神经网络的遥感影像语义分割方法 | |
Song et al. | S^ 2 RGAN S 2 RGAN: sonar-image super-resolution based on generative adversarial network | |
CN116563682A (zh) | 一种基于深度霍夫网络的注意力方案和条带卷积语义线检测的方法 | |
CN113988147A (zh) | 基于图网络的遥感图像场景多标签分类方法及装置、多标签检索方法及装置 | |
CN115311502A (zh) | 基于多尺度双流架构的遥感图像小样本场景分类方法 | |
Wei et al. | A-ESRGAN: Training real-world blind super-resolution with attention U-Net Discriminators | |
Srivastava et al. | Drought stress classification using 3D plant models | |
CN116258877A (zh) | 土地利用场景相似度变化检测方法、装置、介质及设备 | |
CN114693873A (zh) | 一种基于动态图卷积和注意力机制的点云补全方法 | |
Alhamazani et al. | 3DCascade-GAN: Shape completion from single-view depth images | |
Chen et al. | Remote Sensing Image Super-Resolution with Residual Split Attention Mechanism | |
JP7190147B1 (ja) | 3次元形状記述子抽出器の製造方法、3次元形状検索方法及び3次元形状検索システム | |
CN117635962B (zh) | 基于多频率融合的通道注意力图像处理方法 | |
CN117593702B (zh) | 远程监控方法、装置、设备及存储介质 | |
Balaji Prabhu et al. | Super-resolution of level-17 images using generative adversarial networks | |
Liu et al. | Zero-shot ultrasound nondestructive testing image super-resolution based on reflection projection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |