CN115496881A - 单目图像辅助的大型飞机点云补全方法 - Google Patents
单目图像辅助的大型飞机点云补全方法 Download PDFInfo
- Publication number
- CN115496881A CN115496881A CN202211277142.3A CN202211277142A CN115496881A CN 115496881 A CN115496881 A CN 115496881A CN 202211277142 A CN202211277142 A CN 202211277142A CN 115496881 A CN115496881 A CN 115496881A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- code
- sequence
- monocular image
- mlp
- 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.)
- Granted
Links
Images
Classifications
-
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Graphics (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了单目图像辅助的大型飞机点云补全方法,利用卷积神经网络从单目图像中提取3D点云;将输入的大型飞机残缺点云和从单目图像中提取的点云进行配准合并后下采样;使用基于Transformer的几何信息感知编码器提取下采样后的点云的特征;解码器解码编码器提取得到的特征,得到粗糙的点云;利用编码器提取得到的特征,对粗糙的点云进行多次细化和上采样操作,得到高质量且稠密的补全结果。在基于深度学习的点云补全方法中引入单目图像信息去辅助点云补全,在一定程度上提高了补全效果。而使用Transformer结构进行点云补全,则增强了特征的提取能力和3D结构的恢复能力,相较之前的方法可以得到更好的补全效果。
Description
技术领域
本发明属于三维点云模型补全技术领域,具体涉及单目图像辅助的大型飞机点云补全方法。
背景技术
大型飞机因为自身尺寸过大,例如运-20,机身长度47m,翼展50m,高度15m,在扫描完成后得到的3D点云模型上通常会出现残缺的区域。在一些实时性要求很高的任务中,通常难以继续重新扫描,因此需要设计算法处理不完整的3D点云模型,从而得到完整的3D点云模型。
深度学习算法在三维视觉领域取得了很多成果,包括点云补全领域。但是,点云补全是一个病态问题,不能每次都得到令人满意的结果。而单目图像数据的获取相较3D点云容易许多,而且可以在补全过程中增加几何信息,提高补全的精度。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足,提供单目图像辅助的大型飞机点云补全方法,在基于深度学习的点云补全方法中引入单目图像信息去辅助点云补全,在传统的深度学习点云补全的基础上,引入图像信息进行辅助,在一定程度上提高了补全效果,使点云补全这一病态问题的解决方法更加合理。而且,在传统的深度学习方法的基础上,使用最近的Transformer结构进行点云补全,增强了特征的提取能力和3D结构的恢复能力,可以得到更好的补全效果。
为实现上述技术目的,本发明采取的技术方案为:
单目图像辅助的大型飞机点云补全方法,包括以下步骤:
S1、利用卷积神经网络从单目图像中提取3D点云;
S2、结合相机内参,将输入的大型飞机残缺点云和从单目图像中提取的点云进行配准合并,然后对合并结果进行下采样操作;
S3、使用基于Transformer的几何信息感知编码器提取下采样后的点云的特征;
S4、使用卷积神经网络设计的解码器解码编码器提取得到的特征,得到粗糙的补全点云;
S5、采用Transformer结构,利用编码器提取得到的特征,对粗糙的点云进行多次细化和上采样操作,得到高质量且稠密的补全结果。
为优化上述技术方案,采取的具体措施还包括:
上述的步骤S1包括以下子步骤:
S101、使用一个卷积层处理输入单目图像I,得到张量T1;
S102、针对输入的单目图像I,生成一个符合正态分布的随机数,并用全连接层,将该随机数拓展到2D,生成一个2D张量T2,其尺寸和张量T1相同;
S103、连接张量T1和T2,得到张量T3;
S104、使用多个卷积层处理张量T3,得到中间结果张量T4、T5和T6,以及最终结果特征Vimg;
S105、对Vimg进行反卷积操作,并将反卷积结果和T6连接,得到张量T7;
S106、对T7进行卷积和反卷积操作,并将反卷积结果和T5连接,得到张量T8;
S107、对T8进行卷积和反卷积操作,并将反卷积结果和T4连接,得到张量T9;
S108、对T9进行卷积和反卷积操作,得到点集P1;
S109、对Vimg进行全连接操作,得到点集P2;
S110、合并点集P1和P2,得到最终结果3D点云Pimg。
上述的步骤S2包括以下子步骤:
S201、通过相机内参,旋转从单目图像中提取到的3D点云Pimg,得到P′img;
S202、将旋转结果P′img和输入的残缺点云Pinput连接;
S203、对S202的连接结果进行下采样,得到新的点云P0。
上述的步骤S3包括以下子步骤:
S301、对下采样后的点云P0进行下采样,得到骨架点云P00={q1,q2,...,qN};
S302、对P00中的每个点qi,使用一个多层特征感知器MLP,在点云P00中提取点qi的特征τ(qi);
S305、将一维的向量序列F=f1,f2,...,fN输入到一个几何信息感知编码器中,该编码器基于Transformer结构,得到同样维度的特征向量序列F′={f′1,f′2,...,f′N};
S306、将特征向量序列F′={f′1,f′2,...,f′N}输入到一个MLP中,得到全局特征fcode,即编码器提取得到的特征。
上述的步骤S4包括以下子步骤:
S401、将编码器提取得到的特征fcode拓展为N维向量fcode,fcode,...,fcode,并与特征向量序列F′={f′1,f′2,...,f′N}连接,得到新的特征向量序列{f′1+fcode,f′2+fcode,...,f′N+fcode};
S402、使用MLP处理{f′1+fcode,f′2+fcode,...,f′N+fcode},得到新的特征向量序列{f″1,f″2,...,f″N};
S403、将fcode拓展为N维向量fcode,fcode,...,fcode,并与特征向量序列{f″1,f″2,...,f″N}连接,得到新的特征向量序列{f″1+fcode,f″2+fcode,...,f″N+fcode};
S404、使用MLP处理{f″1+fcode,f″2+fcode,...,f″N+fcode},对得到的点云进行下采样,最终得到粗糙的点云P′coarse。
上述的步骤S5包括以下子步骤:
S501、先用编码器提取得到的特征fcode平铺粗糙的点云P′coarse,再输入到MLP中,得到特征序列Q1;
S502、将Q1输入到一个Transformer结构的网络中,该网络中的Q=Q1,K=Q1,得到输出结果:特征序列H1;
S503、对H1使用一维卷积,再将卷积结果和H1连接,得到新的特征序列H′1;
S504、使用MLP处理H′1,得到特征序列K2;
S505、使用MLP处理K2,得到位移序列ΔP1,将P′coarse与ΔP1相加,得到新点云P′1;
S506、先用fcode平铺点云P′1,再输入到MLP中,得到特征序列Q2;
S507、将Q2输入到一个Transformer结构的网络中,该网络中的Q=Q2,K=K2,得到输出结果:特征序列H2;
S508、对H2使用一维卷积,再将卷积结果和多倍的的H2连接,得到新的特征序列H′2;
S509、使用MLP处理H′2,得到特征序列K3;
S510、使用MLP处理K3,得到多倍的位移序列ΔP2,将P′1与ΔP2相加,得到更稠密的点云P′2′;
S511、先用fcode平铺点云P′2,再输入到MLP中,得到特征序列Q3;
S512、将Q3输入到一个Transformer结构的网络中,该网络中的Q=Q3,K=K3,得到输出结果:特征序列H3;
S513、对H3使用一维卷积,再将卷积结果和多倍的H3连接,得到新的特征序列H′3;
S515、使用MLP处理H′3,得到特征序列K4;
S515、使用MLP处理K4,得到多倍的位移序列ΔP3,将P′2与ΔP3相加,得到更稠密的最终补全结果P′3。
利用密度感知的倒角距离函数作为损失函数对S1-S5整体网络进行训练,倒角距离函数定义如下:
本发明具有以下有益效果:
本发明改进了传统的点云补全方法,通过添加单目图像信息来辅助点云补全,可以在实际场景中取得更好地补全效果。
其次,本发明将自然语言处理中广泛应用的Transformer结构应用到点云补全中,可以更好地进行缺失结构的修复。
最后,新的损失函数提高了网络模型的训练效率及质量。本发明设计的整体网络模型在训练完成后,可以通过输入的残缺大飞机点云和单目图像得到完整、稠密且高质量的点云数据。
附图说明
图1为本发明的整体流程图;
图2为从单目图像中提取3D点云的卷积神经网络结构图;
图3为编码器的结构图;
图4为解码器的结构图;
图5为细化和上采样的部分结构图;
图6为本发明补全效果图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
如图1和6所示,本发明单目图像辅助的大型飞机点云补全方法,包括以下步骤:
S1、利用卷积神经网络从单目图像中提取3D点云;
S2、结合相机内参,将输入的大型飞机残缺点云和从单目图像中提取的点云进行配准合并,然后对合并结果进行下采样操作;
S3、使用基于Transformer的几何信息感知编码器提取下采样后的点云的特征;
S4、使用卷积神经网络设计的解码器解码编码器提取得到的特征,得到粗糙的补全点云;
S5、采用Transformer结构,利用编码器提取得到的特征,对粗糙的点云进行多次细化和上采样操作,得到高质量且稠密的补全结果。
结合图2,步骤S1包括以下子步骤:
S101、使用一个卷积层处理输入单目图像I,得到张量T1;
S102、针对输入的单目图像I,生成一个符合正态分布的随机数,并用全连接层,将该随机数拓展到2D,生成一个2D张量T2,其尺寸和张量T1相同;
S103、连接张量T1和T2,得到张量T3;
S104、使用多个卷积层处理张量T3,得到中间结果张量T4、T5和T6,以及最终结果特征Vimg;
S105、对Vimg进行反卷积操作,并将反卷积结果和T6连接,得到张量T7;
S106、对T7进行卷积和反卷积操作,并将反卷积结果和T5连接,得到张量T8;
S107、对T8进行卷积和反卷积操作,并将反卷积结果和T4连接,得到张量T9;
S108、对T9进行卷积和反卷积操作,得到点集P1;
S109、对Vimg进行全连接操作,得到点集P2;
S110、合并点集P1和P2,得到最终结果3D点云Pimg。
步骤S2包括以下子步骤:
S201、通过相机内参,旋转从单目图像中提取到的3D点云Pimg,得到P′img;
S202、将旋转结果P′img和输入的残缺点云Pinput连接;
S203、对S202的连接结果进行下采样,得到新的点云P0。
结合图3,步骤S3包括以下子步骤:
S301、对下采样后的点云P0进行下采样,得到骨架点云P00={q1,q2,...,qN};
S302、对P00中的每个点qi,使用一个多层特征感知器MLP,在点云P00中提取点qi的特征τ(qi);
S305、将一维的向量序列F=f1,f2,...,fN输入到一个几何信息感知编码器中,该编码器基于Transformer结构,得到同样维度的特征向量序列F′={f′1,f′2,...,f′N};
S306、将特征向量序列F′={f′1,f′2,...,f′N}输入到一个MLP中,得到全局特征fcode,即编码器提取得到的特征。
结合图4,步骤S4包括以下子步骤:
S401、将编码器提取得到的特征fcode拓展为N维向量fcode,fcode,...,fcode,并与特征向量序列F′={f′1,f′2,...,f′N}连接,得到新的特征向量序列{f′1+fcode,f′2+fcode,...,f′N+fcode};
S402、使用MLP处理{f′1+fcode,f′2+fcode,...,f′N+fcode},得到新的特征向量序列{f″1,f″2,...,f″N};
S403、将fcode拓展为N维向量fcode,fcode,...,fcode,并与特征向量序列{f″1,f″2,...,f″N}连接,得到新的特征向量序列{f″1+fcode,f″2+fcode,...,f″N+fcode};
S404、使用MLP处理{f″1+fcode,f″2+fcode,...,f″N+fcode},对得到的点云进行下采样,最终得到粗糙的点云P′coarse。
结合图5,步骤S5包括以下子步骤:
S501、先用编码器提取得到的特征fcode平铺粗糙的点云P′coarse,再输入到MLP中,得到特征序列Q1;
S502、将Q1输入到一个Transformer结构的网络中,该网络中的Q=Q1,K=Q1,得到输出结果:特征序列H1;
S503、对H1使用一维卷积,再将卷积结果和H1连接,得到新的特征序列H′1;
S504、使用MLP处理H′1,得到特征序列K2;
S505、使用MLP处理K2,得到位移序列ΔP1,将P′coarse与ΔP1相加,得到新点云P′1;
S506、先用fcode平铺点云P′1,再输入到MLP中,得到特征序列Q2;
S507、将Q2输入到一个Transformer结构的网络中,该网络中的Q=Q2,K=K2,得到输出结果:特征序列H2;
S508、对H2使用一维卷积,再将卷积结果和多倍的的H2连接,得到新的特征序列H′2;
S509、使用MLP处理H′2,得到特征序列K3;
S510、使用MLP处理K3,得到多倍的位移序列ΔP2,将P′1与ΔP2相加,得到更稠密的点云P′2;
S511、先用fcode平铺点云P′2,再输入到MLP中,得到特征序列Q3;
S512、将Q3输入到一个Transformer结构的网络中,该网络中的Q=Q3,K=K3,得到输出结果:特征序列H3;
S513、对H3使用一维卷积,再将卷积结果和多倍的H3连接,得到新的特征序列H′3;
S515、使用MLP处理H′3,得到特征序列K4;
S515、使用MLP处理K4,得到多倍的位移序列ΔP3,将P′2与ΔP3相加,得到更稠密的最终补全结果P′3。
本发明提出的网络其训练过程具体包括:
(1)基于ShapeNetRendering数据集建立一个新的数据集。
对ShapeNetRendering数据集每个3D模型,在24个视点下扣除最近的部分点云,生成两类不完整点云(有和无噪声),随后在每个视点下都采样2048个点作为ground truth,并渲染24张图像。
因此该数据集中有38,328×24=919,872个集合,每个集合中有一个groundtruth,两个不完整点云,一张图像。
其中,80%的数据用作训练,20%的数据用作测试。
(2)预训练步骤S2和S3部分的网络,即从单目图像中提取点云的网络以及将其与输入的残缺点云进行拼接的网络。
在训练中,将图像的大小设置为224×224,从中提取784个3D点。残缺的输入包括2048个点,将这2048+784个点进行最远点采样得到1024个点。
(3)确定训练时损失函数的参数,并设置epoch和batch的大小,然后根据数据集开始训练整个网络。
(4)保存最后的模式,根据测试确定网络效果。
本发明训练时使用的损失函数——密度感知的倒角距离函数,定义如下:
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (7)
1.单目图像辅助的大型飞机点云补全方法,其特征在于,包括以下步骤:
S1、利用卷积神经网络从单目图像中提取3D点云;
S2、结合相机内参,将输入的大型飞机残缺点云和从单目图像中提取的点云进行配准合并,然后对合并结果进行下采样操作;
S3、使用基于Transformer的几何信息感知编码器提取下采样后的点云的特征;
S4、使用卷积神经网络设计的解码器解码编码器提取得到的特征,得到粗糙的补全点云;
S5、采用Transformer结构,利用编码器提取得到的特征,对粗糙的点云进行多次细化和上采样操作,得到高质量且稠密的补全结果。
2.根据权利要求1所述的单目图像辅助的大型飞机点云补全方法,其特征在于,步骤S1包括以下子步骤:
S101、使用一个卷积层处理输入单目图像I,得到张量T1;
S102、针对输入的单目图像I,生成一个符合正态分布的随机数,并用全连接层,将该随机数拓展到2D,生成一个2D张量T2,其尺寸和张量T1相同;
S103、连接张量T1和T2,得到张量T3;
S104、使用多个卷积层处理张量T3,得到中间结果张量T4、T5和T6,以及最终结果特征Vimg;
S105、对Vimg进行反卷积操作,并将反卷积结果和T6连接,得到张量T7;
S106、对T7进行卷积和反卷积操作,并将反卷积结果和T5连接,得到张量T8;
S107、对T8进行卷积和反卷积操作,并将反卷积结果和T4连接,得到张量T9;
S108、对T9进行卷积和反卷积操作,得到点集P1;
S109、对Vimg进行全连接操作,得到点集P2;
S110、合并点集P1和P2,得到最终结果3D点云Pimg。
3.根据权利要求1所述的单目图像辅助的大型飞机点云补全方法,其特征在于,步骤S2包括以下子步骤:
S201、通过相机内参,旋转从单目图像中提取到的3D点云Pimg,得到P′img;
S202、将旋转结果P′img和输入的残缺点云Pinput连接;
S203、对S202的连接结果进行下采样,得到新的点云P0。
4.根据权利要求1所述的单目图像辅助的大型飞机点云补全方法,其特征在于,步骤S3包括以下子步骤:
S301、对下采样后的点云P0进行下采样,得到骨架点云P00={q1,q2,...,qN};
S302、对P00中的每个点qi,使用一个多层特征感知器MLP,在点云P00中提取点qi的特征τ(qi);
S305、将一维的向量序列F=f1,f2,…,fN输入到一个几何信息感知编码器中,该编码器基于Transformer结构,得到同样维度的特征向量序列F′={f′1,f′2,...,f′N};
S306、将特征向量序列F′={f′1,f′2,...,f′N}输入到一个MLP中,得到全局特征fcode,即编码器提取得到的特征。
5.根据权利要求1所述的单目图像辅助的大型飞机点云补全方法,其特征在于,步骤S4包括以下子步骤:
S401、将编码器提取得到的特征fcode拓展为N维向量fcode,fcode,…,fcode,并与特征向量序列F′={f′1,f′2,…,f′N}连接,得到新的特征向量序列{f′1+fcode,f′2+fcode,...,f′N+fcode};
S402、使用MLP处理{f′1+fcode,f′2+fcode,...,f′N+fcode},得到新的特征向量序列{f″1,f″2,…,f″N};
S403、将fcode拓展为N维向量fcode,fcode,…,fcode,并与特征向量序列{f″1,f″2,…,f″N}连接,得到新的特征向量序列{f″1+fcode,f″2+fcode,...,f″N+fcode};
S404、使用MLP处理{f″1+fcode,f″2+fcode,...,f″N+fcode},对得到的点云进行下采样,最终得到粗糙的点云P′coarse。
6.根据权利要求1所述的单目图像辅助的大型飞机点云补全方法,其特征在于,步骤S5包括以下子步骤:
S501、先用编码器提取得到的特征fcode平铺粗糙的点云P′coarse,再输入到MLP中,得到特征序列Q1;
S502、将Q1输入到一个Transformer结构的网络中,该网络中的Q=Q1,K=Q1,得到输出结果:特征序列H1;
S503、对H1使用一维卷积,再将卷积结果和H1连接,得到新的特征序列H′1;
S504、使用MLP处理H′1,得到特征序列K2;
S505、使用MLP处理K2,得到位移序列ΔP1,将P′coarse与ΔP1相加,得到新点云P′1;
S506、先用fcode平铺点云P′1,再输入到MLP中,得到特征序列Q2;
S507、将Q2输入到一个Transformer结构的网络中,该网络中的Q=Q2,K=K2,得到输出结果:特征序列H2;
S508、对H2使用一维卷积,再将卷积结果和多倍的的H2连接,得到新的特征序列H′2;
S509、使用MLP处理H′2,得到特征序列K3;
S510、使用MLP处理K3,得到多倍的位移序列ΔP2,将P′1与ΔP2相加,得到更稠密的点云P2 ′;
S511、先用fcode平铺点云P′2,再输入到MLP中,得到特征序列Q3;
S512、将Q3输入到一个Transformer结构的网络中,该网络中的Q=Q3,K=K3,得到输出结果:特征序列H3;
S513、对H3使用一维卷积,再将卷积结果和多倍的H3连接,得到新的特征序列H′3;
S515、使用MLP处理H′3,得到特征序列K4;
S515、使用MLP处理K4,得到多倍的位移序列ΔP3,将P′2与ΔP3相加,得到更稠密的最终补全结果P′3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211277142.3A CN115496881B (zh) | 2022-10-19 | 2022-10-19 | 单目图像辅助的大型飞机点云补全方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211277142.3A CN115496881B (zh) | 2022-10-19 | 2022-10-19 | 单目图像辅助的大型飞机点云补全方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115496881A true CN115496881A (zh) | 2022-12-20 |
CN115496881B CN115496881B (zh) | 2023-09-22 |
Family
ID=84474923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211277142.3A Active CN115496881B (zh) | 2022-10-19 | 2022-10-19 | 单目图像辅助的大型飞机点云补全方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115496881B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160068A (zh) * | 2021-02-23 | 2021-07-23 | 清华大学 | 基于图像的点云补全方法及系统 |
CN113205466A (zh) * | 2021-05-10 | 2021-08-03 | 南京航空航天大学 | 一种基于隐空间拓扑结构约束的残缺点云补全方法 |
CN113205104A (zh) * | 2021-04-23 | 2021-08-03 | 广西大学 | 一种基于深度学习的点云补全方法 |
CN113379646A (zh) * | 2021-07-07 | 2021-09-10 | 厦门大学 | 一种利用生成对抗网络进行稠密点云补全的算法 |
CN113902061A (zh) * | 2021-11-15 | 2022-01-07 | 深圳先进技术研究院 | 一种点云补全方法和装置 |
WO2022077561A1 (zh) * | 2020-10-12 | 2022-04-21 | 北京大学深圳研究生院 | 一种衡量缺失点云覆盖度的点云补全测评方法 |
CN114638751A (zh) * | 2022-02-24 | 2022-06-17 | 南京邮电大学 | 基于生成对抗网络的端到端点云补全方法 |
CN114863062A (zh) * | 2022-06-07 | 2022-08-05 | 南京航空航天大学深圳研究院 | 基于点、体素特征表示的工业场景3d点云模型构建方法 |
CN114972654A (zh) * | 2022-06-15 | 2022-08-30 | 清华大学 | 一种基于路侧点云补全的三维目标检测方法 |
US20220292728A1 (en) * | 2021-03-15 | 2022-09-15 | Shenzhen University | Point cloud data processing method and device, computer device, and storage medium |
CN115131245A (zh) * | 2022-06-30 | 2022-09-30 | 中国人民解放军国防科技大学 | 一种基于注意力机制的点云补全方法 |
-
2022
- 2022-10-19 CN CN202211277142.3A patent/CN115496881B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022077561A1 (zh) * | 2020-10-12 | 2022-04-21 | 北京大学深圳研究生院 | 一种衡量缺失点云覆盖度的点云补全测评方法 |
CN113160068A (zh) * | 2021-02-23 | 2021-07-23 | 清华大学 | 基于图像的点云补全方法及系统 |
US20220292728A1 (en) * | 2021-03-15 | 2022-09-15 | Shenzhen University | Point cloud data processing method and device, computer device, and storage medium |
CN113205104A (zh) * | 2021-04-23 | 2021-08-03 | 广西大学 | 一种基于深度学习的点云补全方法 |
CN113205466A (zh) * | 2021-05-10 | 2021-08-03 | 南京航空航天大学 | 一种基于隐空间拓扑结构约束的残缺点云补全方法 |
CN113379646A (zh) * | 2021-07-07 | 2021-09-10 | 厦门大学 | 一种利用生成对抗网络进行稠密点云补全的算法 |
CN113902061A (zh) * | 2021-11-15 | 2022-01-07 | 深圳先进技术研究院 | 一种点云补全方法和装置 |
CN114638751A (zh) * | 2022-02-24 | 2022-06-17 | 南京邮电大学 | 基于生成对抗网络的端到端点云补全方法 |
CN114863062A (zh) * | 2022-06-07 | 2022-08-05 | 南京航空航天大学深圳研究院 | 基于点、体素特征表示的工业场景3d点云模型构建方法 |
CN114972654A (zh) * | 2022-06-15 | 2022-08-30 | 清华大学 | 一种基于路侧点云补全的三维目标检测方法 |
CN115131245A (zh) * | 2022-06-30 | 2022-09-30 | 中国人民解放军国防科技大学 | 一种基于注意力机制的点云补全方法 |
Non-Patent Citations (3)
Title |
---|
XUANCHENG ZHANG等: "View-Guided Point Cloud Completion", IEEE * |
刘彩霞等: "基于深度学习的三维点云修复技术综述", 计算机辅助设计与图形学学报 * |
卿都;曾碧;: "基于神经网络的三维点云生成模型研究进展", 机器人技术与应用, no. 06 * |
Also Published As
Publication number | Publication date |
---|---|
CN115496881B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Hifa: High-fidelity text-to-3d with advanced diffusion guidance | |
CN113379646B (zh) | 一种利用生成对抗网络进行稠密点云补全的算法 | |
WO2022036867A1 (zh) | 变电站三维模型重构方法 | |
CN111079685A (zh) | 一种3d目标检测方法 | |
CN110070574B (zh) | 一种基于改进PSMNet的双目视觉立体匹配方法 | |
WO2020119620A1 (zh) | 具有自我提升能力的金字塔双目深度估计模型 | |
CN113762147B (zh) | 人脸表情迁移方法、装置、电子设备及存储介质 | |
CN113840127B (zh) | 一种卫星视频影像获取水域自动掩膜处理dsm的方法 | |
CN115049556A (zh) | 一种基于StyleGAN的人脸图像修复方法 | |
CN115496881A (zh) | 单目图像辅助的大型飞机点云补全方法 | |
CN117315336A (zh) | 花粉颗粒识别方法、装置、电子设备及存储介质 | |
CN116152060A (zh) | 一种双特征融合引导的深度图像超分辨率重建方法 | |
CN105741263A (zh) | 一种手轮廓提取及定向算法 | |
CN113763539B (zh) | 一种基于图像和三维输入的隐式函数三维重建方法 | |
CN112837420B (zh) | 基于多尺度和折叠结构的兵马俑点云的形状补全方法及系统 | |
CN114119874A (zh) | 基于gan的单图重建高清3d面部纹理的方法 | |
CN113808006A (zh) | 一种基于二维图像重建三维网格模型的方法及装置 | |
Cai et al. | Building facade completion using semantic-synchronized GAN | |
CN113284249A (zh) | 一种基于图神经网络的多视角三维人体重建方法及系统 | |
CN113658046A (zh) | 基于特征分离的超分辨率图像生成方法、装置、设备和介质 | |
Li et al. | Sat2Scene: 3D Urban Scene Generation from Satellite Images with Diffusion | |
le Viet et al. | 3D Depth Map Inpainting for Vietnamese Historical Printing Woodblocks: A Gated Convolution Approach | |
CN112418336B (zh) | 一种电力线巡检影像密集匹配方法 | |
CN117496091B (zh) | 一种基于局部纹理的单视图三维重建方法 | |
Wang et al. | Global Soft Pooling Adaptive Attention Network for Single Aerial Image-Based 3D Outdoor Scene Reconstruction |
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 |