CN114897692B - 搭载基于零样本学习的整体点云上采样算法的手持设备 - Google Patents

搭载基于零样本学习的整体点云上采样算法的手持设备 Download PDF

Info

Publication number
CN114897692B
CN114897692B CN202210487619.4A CN202210487619A CN114897692B CN 114897692 B CN114897692 B CN 114897692B CN 202210487619 A CN202210487619 A CN 202210487619A CN 114897692 B CN114897692 B CN 114897692B
Authority
CN
China
Prior art keywords
point cloud
sampling
point
points
loss function
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
Application number
CN202210487619.4A
Other languages
English (en)
Other versions
CN114897692A (zh
Inventor
苏鹏
赵乾
张威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Ziweiyun Technology Co ltd
Original Assignee
Guangzhou Ziweiyun Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Ziweiyun Technology Co ltd filed Critical Guangzhou Ziweiyun Technology Co ltd
Priority to CN202210487619.4A priority Critical patent/CN114897692B/zh
Publication of CN114897692A publication Critical patent/CN114897692A/zh
Application granted granted Critical
Publication of CN114897692B publication Critical patent/CN114897692B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Graphics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种搭载基于零样本学习的整体点云上采样算法的手持设备的采样方法，所述手持设备的采样方法包括：将所述手持设备对准目标物体，围绕物体做360°的扫描且尽量保持物体在圆心位置，在此过程中，不同角度扫描到的点云全部存储到设备中，对扫描数据进行处理，通过合成、去噪算法将多个不同角度的点云合成为单个完整的点云χgt，再通过设备自带的上采样算法，将所述单个完整的点云χgt进行上采样，其中，采样率为u，最后将得到的点云传输到其他设备端，进行重构、渲染、3D场景合成任务。

Description

搭载基于零样本学习的整体点云上采样算法的手持设备
技术领域
本发明涉及计算机视觉领域，尤其涉及一种搭载基于零样本学习的整体点云上采样算法的手持设备。
背景技术
现有点云加密算法大多采用监督式学习的方式对大量数据进行训练。这些训练数据先被分成不同的patch，以模拟测试阶段对测试点云中不同patch的还原。然而这种作法不具备广泛性，受限于数据量，无法兼顾到所有形状、尤其是复杂形状的点云。所以需要创新性的解决方案来突破原有的限制，来实现训练数据不足或样本形状复杂时的零样本自训练加密算法。
本发明适用于复杂场景中对扫描得到的点云直接进行上采样，无需除自身外的任何样本。该算法可被集成于手持设备中，无需进行基于patch的算法中的额外复杂配置，如patch个数和patch中点的个数等。对于复杂形状，该算法可准确进行在形状变化较大部位的上采样，更可靠地还原点云局部位置信息。该算法自训练速度是传统算法训练速度的至少10000倍。
用户可以基于本发明，快速全方位扫描目标物体，利用低成本的激光雷达，自动输出高分辨率的点云。用户后期可根据该点云进行mesh重构和场景渲染等工作。
发明内容
该算法需搭载在特定设备上，如携带激光雷达的手机、手持激光扫描仪等。将以上设备对准目标物体，围绕物体做360°的扫描且尽量保持物体在圆心位置。在此过程中，不同角度扫描到的点云全部存储到设备中。通过合成、去噪等算法，将多个不同角度的点云合成为单个完整的点云χgt。通过设备自带的上采样算法，将χgt进行上采样，采样率为u。最后得到的点云可以传输到其他设备端，进行重构、渲染、3D场景合成等任务。
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明公开一种搭载基于零样本学习的整体点云上采样算法的手持设备的采样方法，所述手持设备的采样方法包括：将所述手持设备对准目标物体，围绕物体做360°的扫描且尽量保持物体在圆心位置，在此过程中，不同角度扫描到的点云全部存储到设备中，对扫描数据进行处理，通过合成、去噪算法将多个不同角度的点云合成为单个完整的点云χgt，，再通过设备自带的上采样算法，将所述单个完整的点云χgt进行上采样，其中，采样率为u，最后将得到的点云传输到其他设备端，进行重构、渲染、3D场景合成任务。
更近一步地，所述手持设备的采样方法包括：网络对目标点云直接进行训练，先对目标点云进行下采样处理，作为输入，由于下采样的随机性，该部份的输入数量可根据处理速度任意改变，同时，以原始点云作为目标输出，由网络拟合出输入和输出映射关系，在测试阶段，再以原始点云作为输入，从而得到比原始点云更高分辨率的点云。
更近一步地，生成对抗网络模型：通过生成器生成上采样点云，所述生成器由上采样模块(UE)、图特征提取模块(GFE)、多层感知器(MLP)模块组成，所述生成器用于学习局部点之间的特征关系进行插值，通过鉴别器判断由所述生成器生成的假(fake)点云和原始的真(real)点云之间的差别，再通过对抗损失函数中的鉴别器损失间接对生成器损失进行约束，从而使生成器的输出趋于真实点云。
更近一步地，所述上采样算法包括：所述上采样算法分别采用了重构(Reconstruction)、排斥(Repulsion)、均匀(Uniform)、对抗(Adversarial)损失函数(losses)来实现既定目标。
更近一步地，Reconstruction loss函数通过学习网络输出(A)与目标点云(B)间点与点的对应关系完成对网络输出的重构。该函数可由Chamfer Distance模块(CD模块)和/或Earth Mover Distance模块(EMD模块)分别代入使用，其中，CD模块计算的是点云A中每个点到点云B中每个点的最小距离以及B到A相同条件的平均值；EMD模块计算的是把A中每个点移动到B的最小能量，这里，通过CD模块用来计算输入点云与输出点云A之间的损失，而通过EMD模块用来计算A和B之间的损失，在考虑了局部特征和整体特征的前提下，两者同时对网络的输出进行重构，损失函数为：
其中，χu和χgt分别是A和B，u为上采样系数，gt表示ground truth，φ为χu到χgt的映射函数，这里的χu和χgt含有相同数量的点。
更近一步地，Repulsion loss函数将上采样后过于临近的点彼此推离，将计算出的特定点与周围临近点间的距离的负值进行优化，从而惩罚距离过近的点，损失函数为：
其中，η为惩罚函数，K为临近点的个数，Nu为上采样后点的个数。
更近一步地，uniform loss函数以平均分布点云表面的点作为目标，首先，在点云中以farthest point sampling(FPS)算法找到M个种子(seed)点；然后，以这些seed作为重心，再以特定的半径rd取一定的圆(周)面积形成disk，其中每个disk的面积由经验取得，分别为一个单位面积的0.4％～1.2％，损失函数为：
其中，M为每个disk中点的个数。
更近一步地，通过Adversarial loss函数使生成的fake点云更加真实，损失函数为：
其中，G和D分别为生成器generator和辨别器discriminator。
LG＝||1-logD(χu)||2，
LD＝||logD(χu)||2+||1-logD(χgt)||2.
更近一步地，通过特征提取(FGE)模块进行图特征计算：所述过特征提取(FGE)模块以N*3的点云作为输入，其中N为点云中点的个数，3为3维坐标系中x、y、z的坐标值，经过knearest neighbors(kNN)找出每个点k个临近点，这些N*k*3的特征经过MLP层和maxpooling层，最终形成N*C的特征，其中C为隐藏特征的维数，N*C的特征学习了输入点云中每个点的周围特征。
更近一步地，上采样(UE)模块以所述特征提取(FGE)模块的输出和原始点云同时作为输入，其中，上分支的原始点云经过kNN和MLP层得到N*k*C的特征，下分支的图特征经过MLP层得到N*1*C的特征；然后对两个分支的特征进行串联，经过Average pooling层得到u倍于原始特征的特征N*3*u，经过变形处理后得到u倍数量的点云，即uN*3，其中，所述u可以为大于1的任意整数。
本发明于现有技术相比，有益效果为：本发明适用于复杂场景中对扫描得到的点云直接进行上采样，无需除自身外的任何样本。该算法可被集成于手持设备中，无需进行基于patch的算法中的额外复杂配置，如patch个数和patch中点的个数等。对于复杂形状，该算法可准确进行在形状变化较大部位的上采样，更可靠地还原点云局部位置信息。该算法自训练速度是传统算法训练速度的至少10000倍。用户可以基于本发明，快速全方位扫描目标物体，利用低成本的激光雷达，自动输出高分辨率的点云。用户后期可根据该点云进行mesh重构和场景渲染等工作。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在图中，在不同的视图中，相同的附图标记指定对应的部分。
图1是本发明的搭载基于零样本学习的整体点云上采样算法的手持设备的采样方法流程图。
图2是本发明一实施例中的搭载基于零样本学习的整体点云上采样算法的手持设备的整体结构图；
图3是本发明一实施例中的特征提取(FGE)模块的结构示意图；
图4是本发明一实施例中的上采样(UE)模块结构示意图。
具体实施方式
实施例一
如图1所示，该算法需搭载在特定设备上，如携带激光雷达的手机、手持激光扫描仪等。将以上设备对准目标物体，围绕物体做360°的扫描且尽量保持物体在圆心位置。在此过程中，不同角度扫描到的点云全部存储到设备中。通过合成、去噪等算法，将多个不同角度的点云合成为单个完整的点云χgt。通过设备自带的上采样算法，将χgt进行上采样，采样率为u。最后得到的点云可以传输到其他设备端，进行重构、渲染、3D场景合成等任务。
该算法需搭载在特定设备上的整体结构如如图2所示，应用逻辑包括：
1.自训练算法
网络对目标点云直接进行训练。先对目标点云进行下采样处理，作为输入。由于下采样的随机性，该部份的输入数量可根据处理速度任意改变。同时，以原始点云作为目标输出，由网络拟合出输入和输出映射关系。在测试阶段，再以原始点云作为输入，从而得到比原始点云更高分辨率的点云。
2.生成对抗网络模型
生成器：上采样点云生成的主要结构。由上采样模块(UE)、图特征提取模块(GFE)、多层感知器(MLP)模块组成。负责学习局部点之间的特征关系进行插值。
鉴别器。判断由生成器生成的假(fake)点云和原始的真(real)点云之间的差别。通过对抗损失函数中的鉴别器损失间接对生成器损失进行约束，从而使生成器的输出趋于真实点云。
上采样算法实现，该上采样算法分别采用了重构(Reconstruction)、排斥(Repulsion)、均匀(Uniform)、对抗(Adversarial)损失函数(losses)来实现既定目标。
Reconstruction loss函数可以通过学习网络输出(A)与目标点云(B)间点与点的对应关系完成对网络输出的重构。该函数可由Chamfer Distance(CD)或Earth MoverDistance(EMD)分别代入使用。其中，CD计算的是点云A中每个点到点云B中每个点的最小距离以及B到A相同条件的平均值；EMD计算的是把A中每个点移动到B的最小能量。这里，CD用来计算输入点云与输出点云A之间的损失，而EMD用来
计算A和B之间的损失。在考虑了局部特征和整体特征的前提下，两者同时对网络的输出进行重构。(公式如下)
其中，χu和χgt分别是A和B，u为上采样系数，gt表示ground truth，φ为χu到χgt的映射函数。这里的χu和χgt含有相同数量的点。
Repulsion loss函数可以将上采样后过于临近的点彼此推离。将计算出的特定点与周围临近点间的距离的负值进行优化，从而惩罚距离过近的点。
其中，η为惩罚函数，可以为-1，K为临近点的个数，Nu为上采样后点的个数。
Uniform loss函数以平均分布点云表面的点作为目标。首先，在点云中以farthest point sampling(FPS)算法找到M个种子(seed)点；然后，以这些seed作为重心，再以特定的半径rd取一定的圆(周)面积形成disk，其中每个disk的面积由经验取得，分别为一个单位面积的0.4％～1.2％。(公式如下)
其中，M为每个disk中点的个数。
Adversarial loss函数可以使生成的fake点云更加真实。(公式如下)
LG＝||1-logD(χu)||2，
LD＝||logD(χu)||2+||1-logD(χgt)||2.
G和D分别为生成器generator和辨别器discriminator。
如图3所示的特征提取(FGE)模块的图特征计算过程：
该模块以N*3的点云作为输入，其中N为点云中点的个数，3为3维坐标系中x、y、z的坐标值，经过k nearest neighbors(kNN)找出每个点k个临近点，这些N*k*3的特征经过MLP层和max pooling层，最终形成N*C的特征，其中C为隐藏特征的维数。该N*C的特征学习了输入点云中每个点的周围特征，以便后面模块的使用。
如图4所示的上采样(UE)模块的上采样计算过程：
该模块以上一步图特征提取(GFE)模块的输出和原始点云同时作为输入，其中，上分支的原始点云经过kNN和MLP层得到N*k*C的特征，下分支的图特征经过MLP层得到N*1*C的特征。然后对两个分支的特征进行串联，经过Average pooling层得到u倍于原始特征的特征N*3*u，经过变形处理后得到u倍数量的点云，即uN*3。这里的u可以根据实际情况，由用户自行设定。在算力允许的情况下，可以为大于1的任意整数。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。因此，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (5)

1.一种搭载基于零样本学习的整体点云上采样算法的手持设备的采样方法，其特征在于，所述手持设备的采样方法包括：将所述手持设备对准目标物体，围绕物体做360°的扫描且尽量保持物体在圆心位置，在此过程中，不同角度扫描到的点云全部存储到设备中，对扫描数据进行处理，通过合成、去噪算法将多个不同角度的点云合成为单个完整的点云χgt，再通过设备自带的上采样算法，将所述单个完整的点云χgt进行上采样，最后将得到的点云传输到其他设备端，进行重构、渲染、3D场景合成任务，其中，所述上采样算法包括：所述上采样算法分别采用了重构损失函数、排斥损失函数、均匀损失函数、对抗损失函数来实现既定目标：
重构损失函数通过学习网络输出A与目标点云B间点与点的对应关系完成对网络输出的重构；该函数可由Chamfer Distance模块和/或Earth Mover Distance模块分别代入使用，其中，Chamfer Distance模块计算的是点云A中每个点到点云B中每个点的最小距离以及B到A相同条件的平均值；EMD模块计算的是把A中每个点移动到B的最小能量，通过Chamfer Distance模块用来计算输入点云与输出点云A之间的损失，而通过Earth MoverDistance模块用来计算A和B之间的损失，在考虑了局部特征和整体特征的前提下，两者同时对网络的输出进行重构，损失函数为：
其中，χu和χgt分别是A和B，u为上采样系数，gt表示ground truth，φ为χu到χgt的映射函数，这里的χu和χgt含有相同数量的点；
排斥损失函数将上采样后过于临近的点彼此推离，将计算出的特定点与周围临近点间的距离的负值进行优化，从而惩罚距离过近的点，损失函数为：
其中，η为惩罚函数，K为临近点的个数，Nu为上采样后点的个数；
均匀损失函数以平均分布点云表面的点作为目标，首先，在点云中以farthest pointsampling算法找到M个种子点；然后，以这些种子点作为重心，再以特定的半径rd取一定的圆面积形成disk，其中每个disk的面积由经验取得，分别为一个单位面积的0.4％～1.2％，损失函数为：
其中，M为每个disk中点的个数；
通过对抗损失函数使生成的fake点云更加真实，损失函数为：
LG＝||1-logD(χu)||2，
LD＝||logD(χu)||2+||1-logD(xgt)||2
其中，G和D分别为生成器generator和辨别器discriminator。
2.如权利要求1所述的一种搭载基于零样本学习的整体点云上采样算法的手持设备的采样方法，其特征在于，所述手持设备的采样方法包括：网络对目标点云直接进行训练，先对目标点云进行下采样处理，作为输入，由于下采样的随机性，输入数量能够根据处理速度任意改变，同时，以原始点云作为目标输出，由网络拟合出输入和输出映射关系，在测试阶段，再以原始点云作为输入，从而得到比原始点云更高分辨率的点云。
3.如权利要求2所述的一种搭载基于零样本学习的整体点云上采样算法的手持设备的采样方法，其特征在于，生成对抗网络模型：通过生成器生成上采样点云，所述生成器由上采样模块、特征提取模块、多层感知器模块组成，所述生成器用于学习局部点之间的特征关系进行插值，通过鉴别器判断由所述生成器生成的假点云和原始的真点云之间的差别，再通过对抗损失函数中的鉴别器损失间接对生成器损失进行约束，从而使生成器的输出趋于真实点云。
4.如权利要求1所述的一种搭载基于零样本学习的整体点云上采样算法的手持设备的采样方法，其特征在于，通过特征提取模块进行图特征计算：所述特征提取模块以N*3的点云作为输入，其中N为点云中点的个数，3为3维坐标系中x、y、z的坐标值，经过k nearestneighbors找出每个点k个临近点，这些N*k*3的特征经过MLP层和max pooling层，最终形成N*C的特征，其中C为隐藏特征的维数，N*C的特征学习了输入点云中每个点的周围特征。
5.如权利要求4所述的一种搭载基于零样本学习的整体点云上采样算法的手持设备的采样方法，其特征在于，上采样模块以所述特征提取模块的输出和原始点云同时作为输入，其中，上分支的原始点云经过kNN和MLP层得到N*k*C的特征，下分支的图特征经过MLP层得到N*1*C的特征；然后对两个分支的特征进行串联，经过Average pooling层得到u倍于原始特征的特征N*3*u，经过变形处理后得到u倍数量的点云，即uN*3，其中，所述u可以为大于1的任意整数。
CN202210487619.4A 2022-05-06 2022-05-06 搭载基于零样本学习的整体点云上采样算法的手持设备 Active CN114897692B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210487619.4A CN114897692B (zh) 2022-05-06 2022-05-06 搭载基于零样本学习的整体点云上采样算法的手持设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210487619.4A CN114897692B (zh) 2022-05-06 2022-05-06 搭载基于零样本学习的整体点云上采样算法的手持设备

Publications (2)

Publication Number Publication Date
CN114897692A CN114897692A (zh) 2022-08-12
CN114897692B true CN114897692B (zh) 2024-04-26

Family

ID=82720363

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210487619.4A Active CN114897692B (zh) 2022-05-06 2022-05-06 搭载基于零样本学习的整体点云上采样算法的手持设备

Country Status (1)

Country Link
CN (1) CN114897692B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115984462B (zh) * 2022-12-19 2024-03-08 广州紫为云科技有限公司 一种单目多视角的通用物体三维建模方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110186389A (zh) * 2019-05-21 2019-08-30 广东省计量科学研究院（华南国家计量测试中心） 无标记物多站点罐内点云采集方法、系统及存储介质
EP3671531A1 (en) * 2018-12-17 2020-06-24 Promaton Holding B.V. Semantic segmentation of non-euclidean 3d data sets using deep learning
CN111724478A (zh) * 2020-05-19 2020-09-29 华南理工大学 一种基于深度学习的点云上采样方法
GB202104923D0 (en) * 2021-04-07 2021-05-19 Sony Interactive Entertainment Europe Ltd System and method for point cloud generation
CN112837356A (zh) * 2021-02-06 2021-05-25 湖南大学 一种基于wgan的无监督多视角三维点云联合配准方法
CN112967219A (zh) * 2021-03-17 2021-06-15 复旦大学附属华山医院 基于深度学习网络的二阶段牙体点云补全方法及系统
CN113191387A (zh) * 2021-03-27 2021-07-30 西北大学 结合无监督学习与数据自增强的文物碎片点云分类方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3671531A1 (en) * 2018-12-17 2020-06-24 Promaton Holding B.V. Semantic segmentation of non-euclidean 3d data sets using deep learning
CN110186389A (zh) * 2019-05-21 2019-08-30 广东省计量科学研究院（华南国家计量测试中心） 无标记物多站点罐内点云采集方法、系统及存储介质
CN111724478A (zh) * 2020-05-19 2020-09-29 华南理工大学 一种基于深度学习的点云上采样方法
CN112837356A (zh) * 2021-02-06 2021-05-25 湖南大学 一种基于wgan的无监督多视角三维点云联合配准方法
CN112967219A (zh) * 2021-03-17 2021-06-15 复旦大学附属华山医院 基于深度学习网络的二阶段牙体点云补全方法及系统
CN113191387A (zh) * 2021-03-27 2021-07-30 西北大学 结合无监督学习与数据自增强的文物碎片点云分类方法
GB202104923D0 (en) * 2021-04-07 2021-05-19 Sony Interactive Entertainment Europe Ltd System and method for point cloud generation

Also Published As

Publication number Publication date
CN114897692A (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN110136063B (zh) 一种基于条件生成对抗网络的单幅图像超分辨率重建方法
CN112488210A (zh) 一种基于图卷积神经网络的三维点云自动分类方法
CN112082545B (zh) 一种基于imu和激光雷达的地图生成方法、装置及系统
CN112561796B (zh) 基于自注意生成对抗网络的激光点云超分辨率重建方法
CN114897692B (zh) 搭载基于零样本学习的整体点云上采样算法的手持设备
CN111043988B (zh) 一种基于图形学和深度学习的单张条纹投影测量方法
CN111414953A (zh) 点云分类方法和装置
KR102277096B1 (ko) 인공지능 및 딥러닝 기술을 이용한 디지털 홀로그램의 생성 방법
CN111323228A (zh) 一种基于时间序列映射与卷积神经网络的故障诊断方法
CN113159232A (zh) 一种三维目标分类、分割方法
CN111524216A (zh) 生成三维人脸数据的方法和装置
CN116152611B (zh) 一种多级多尺度点云补全方法、系统、设备及存储介质
CN112861988A (zh) 一种基于注意力图神经网络的特征匹配方法
CN115937794B (zh) 小目标对象检测方法、装置、电子设备及存储介质
CN110136162A (zh) 无人机视角遥感目标跟踪方法及装置
CN116097307A (zh) 图像的处理方法及相关设备
CN114063168B (zh) 一种地震信号人工智能降噪方法
CN115830375A (zh) 点云分类方法及装置
CN112766381B (zh) 有限样本下属性引导的sar图像生成方法
CN117422619A (zh) 图像重建模型的训练方法、图像重建方法、装置及设备
KR102277101B1 (ko) 프린지 패턴을 영역별로 학습하는 인공지능 및 딥러닝 기반 초고해상도 홀로그램 생성방법
KR102277100B1 (ko) 인공지능 및 딥러닝 기술을 이용한 랜덤위상을 갖는 홀로그램 생성방법
Li et al. CM-Net: A point cloud upsampling network based on adversarial neural network
Palladino et al. Sunspot groups detection and classification on SDO/HMI images using deep learning techniques
CN112883976A (zh) 基于点云的语义分割方法、装置、系统及存储介质

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