CN117934858A - 一种点云的处理方法、装置、存储介质及电子设备 - Google Patents
一种点云的处理方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN117934858A CN117934858A CN202410329387.9A CN202410329387A CN117934858A CN 117934858 A CN117934858 A CN 117934858A CN 202410329387 A CN202410329387 A CN 202410329387A CN 117934858 A CN117934858 A CN 117934858A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- planar
- layer
- inputting
- feature
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 87
- 238000000605 extraction Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims description 39
- 238000009826 distribution Methods 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 239000000284 extract Substances 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 14
- 238000009792 diffusion process Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Processing (AREA)
Abstract
本说明书公开了一种点云的处理方法、装置、存储介质及电子设备，获取目标物的原始粗略点云，将原始粗略点云输入三维表面生成模型的特征提取层，以使特征提取层提取原始粗略点云在若干平面上的平面特征。将平面特征输入三维表面生成模型的流变换层，以使该流变换层对平面特征进行变换，得到变换后的平面特征，并使该流变换层对变换后的平面特征进行去噪，得到去噪后的平面特征。将去噪后的平面特征输入三维表面生成模型的结果预测层，得到结果预测层输出的目标物的最终精准点云。该方法使得得到的最终精准点云构成的目标物的三维表面更精确，也即提高了最终精准点云构成的目标物的形状与目标物的真实形状相似度。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种点云的处理方法、装置、存储介质及电子设备。
背景技术
随着科技的发展，人工智能技术不断发展。在计算机图形学以及计算机视觉领域，三维表面生成技术受到广泛关注，基于深度学习技术训练出的三维表面生成模型广泛应用于游戏、自动驾驶等领域。
在实际应用中，对生成的目标物的三维表面的真实度以及精准度的要求越来越高。目前，在生成目标物的三维表面时，通常可先基于目标物的三维点云数据提取二维平面特征，进而可通过卷积神经网络或者循环神经网络对二维平面特征进行处理，以生成目标物的三维表面，简单来说目前主要通过卷积神经网络或者循环神经网络生成目标物的三维表面。
然而，卷积神经网络以及循环神经网络难以生成具有复杂形状结构的目标物的三维表面，在生成具有复杂形状结构的目标物的三维表面时，往往存在一定的局限性如耗时较长，且易导致生成的三维表面不精确，因此如何生成与目标物真实的形状结构一致的三维表面是重要问题。
基于此，本申请说明书提供了一种点云的处理方法。
发明内容
本说明书提供一种点云的处理方法、装置、存储介质及电子设备，以至少部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种点云的处理方法，三维表面生成模型包括特征提取层、流变换层以及结果预测层；所述方法包括：
获取目标物的原始粗略点云；
将所述原始粗略点云输入所述特征提取层，以使所述特征提取层提取所述原始粗略点云在若干平面上的平面特征；
将所述平面特征输入所述流变换层，以使所述流变换层对所述平面特征进行变换，得到变换后的平面特征，并使所述流变换层对所述变换后的平面特征进行去噪，得到去噪后的平面特征；
将所述去噪后的平面特征输入结果预测层，得到所述结果预测层输出的所述目标物的最终精准点云。
可选地，所述特征提取层包括：具备残差结构的特征编码网络以及U-Net神经网络；
将所述原始粗略点云输入所述特征提取层，以使所述特征提取层提取所述原始粗略点云在若干平面上的平面特征，具体包括：
将所述原始粗略点云输入所述特征编码网络，得到所述原始粗略点云在若干平面上的编码特征；
将所述编码特征输入所述U-Net神经网络，以使所述U-Net神经网络对所述编码特征进行去噪，得到所述原始粗略点云在若干平面上的平面特征。
可选地，将所述平面特征输入所述流变换层，具体包括：
对所述平面特征进行标准化处理，得到标准化处理后的平面特征；
将所述标准化处理后的平面特征输入所述流变换层。
可选地，将所述平面特征输入所述流变换层，具体包括：
对所述平面特征进行降维处理，得到降维后的平面特征；
将所述降维后的平面特征输入所述流变换层。
可选地，所述流变换层包括流变换网络以及去噪网络；
将所述平面特征输入所述流变换层，以使所述流变换层对所述平面特征进行变换，得到变换后的平面特征，并使所述流变换层对所述变换后的平面特征进行去噪，得到去噪后的平面特征，具体包括：
迭代执行：将所述平面特征输入所述流变换网络，以使所述流变换网络基于预设的基准高斯分布以及预设的目标分布，将所述平面特征进行流变换，得到变换后的平面特征；将所述变换后的平面特征输入所述去噪网络，以使所述去噪网络对所述流变换后的平面特征进行去噪，得到去噪后的平面特征；并，将得到的所述去噪后的平面特征作为新的平面特征；
将最终得到的去噪后的平面特征作为，将所述平面特征输入所述流变换层之后得到的去噪后的平面特征。
可选地，所述去噪网络为稳定扩散模型。
可选地，所述三维表面生成模型采用下述方法训练：
获取样本点云以及标签点云；
将所述样本点云输入所述特征提取层，得到所述特征提取层提取到的所述原始粗略点云在若干平面上的样本平面特征；
将所述样本平面特征输入所述流变换层，以使所述流变换层对所述样本平面特征进行变换，得到变换后的样本平面特征，并使所述流变换层对所述变换后的样本平面特征进行去噪，得到去噪后的样本平面特征；
将所述去噪后的样本平面特征输入结果预测层，得到所述结果预测层输出的预测点云；
根据所述预测点云以及所述标签点云，对初始的三维表面生成模型进行训练。
本说明书提供了一种点云的处理装置，三维表面生成模型包括特征提取层、流变换层以及结果预测层；包括：
获取模块，用于获取目标物的原始粗略点云；
输入模块，用于将所述原始粗略点云输入所述特征提取层，以使所述特征提取层提取所述原始粗略点云在若干平面上的平面特征；
变换模块，用于将所述平面特征输入所述流变换层，以使所述流变换层对所述平面特征进行变换，得到变换后的平面特征，并使所述流变换层对所述变换后的平面特征进行去噪，得到去噪后的平面特征；
输出模块，用于将所述去噪后的平面特征输入结果预测层，得到所述结果预测层输出的所述目标物的最终精准点云。
可选地，所述特征提取层包括：具备残差结构的特征编码网络以及U-Net神经网络；
所述输入模块具体用于，将所述原始粗略点云输入所述特征编码网络，得到所述原始粗略点云在若干平面上的编码特征；将所述编码特征输入所述U-Net神经网络，以使所述U-Net神经网络对所述编码特征进行去噪，得到所述原始粗略点云在若干平面上的平面特征。
可选地，所述输入模块具体用于，对所述平面特征进行标准化处理，得到标准化处理后的平面特征；将所述标准化处理后的平面特征输入所述流变换层。
可选地，所述输入模块具体用于，对所述平面特征进行降维处理，得到降维后的平面特征；将所述降维后的平面特征输入所述流变换层。
可选地，所述流变换层包括流变换网络以及去噪网络；
所述输入模块具体用于，迭代执行：将所述平面特征输入所述流变换网络，以使所述流变换网络基于预设的基准高斯分布以及预设的目标分布，将所述平面特征进行流变换，得到变换后的平面特征；将所述变换后的平面特征输入所述去噪网络，以使所述去噪网络对所述流变换后的平面特征进行去噪，得到去噪后的平面特征；并，将得到的所述去噪后的平面特征作为新的平面特征；将最终得到的去噪后的平面特征作为，将所述平面特征输入所述流变换层之后得到的去噪后的平面特征。
可选地，所述去噪网络为稳定扩散模型。
可选地，所述装置还包括训练模块；
所述训练模块具体用于，获取样本点云以及标签点云；将所述样本点云输入所述特征提取层，得到所述特征提取层提取到的所述原始粗略点云在若干平面上的样本平面特征；将所述样本平面特征输入所述流变换层，以使所述流变换层对所述样本平面特征进行变换，得到变换后的样本平面特征，并使所述流变换层对所述变换后的样本平面特征进行去噪，得到去噪后的样本平面特征；将所述去噪后的样本平面特征输入结果预测层，得到所述结果预测层输出的预测点云；根据所述预测点云以及所述标签点云，对初始的三维表面生成模型进行训练。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述点云的处理方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述点云的处理方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
在本说明书提供的点云的处理方法中，可先获取目标物的原始粗略点云，再将原始粗略点云输入三维表面生成模型的特征提取层，以使特征提取层提取原始粗略点云在若干平面上的平面特征。然后将平面特征输入三维表面生成模型的流变换层，以使该流变换层对平面特征进行变换，得到变换后的平面特征，并使该流变换层对变换后的平面特征进行去噪，得到去噪后的平面特征。最后将去噪后的平面特征输入三维表面生成模型的结果层网络，得到结果预测层输出的目标物的最终精准点云。
从上述方法中可以看出，该方法通过将原始粗略点云输入包括特征提取层、流变换层以及结果预测层的三维表面生成模型，以使该三维表面生成模型对原始粗略点云依次进行特征提取、流变换以及去噪等，生成目标物对应的最终精细点云，使得最终精细点云相较于原始粗略点云，可以更好的描述目标物的三维表面，也即使得基于最终精细点云表征的目标物的更加精确。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书中一种点云的处理方法的流程示意图；
图2为本申请说明书提供的一种三维表面生成模型的结构示意图；
图3为本申请说明书提供的一种三维表面生成模型的结构示意图；
图4为本说明书提供的一种点云的处理装置示意图；
图5为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的一种点云的处理方法的流程示意图，具体可包括以下步骤：
S100：获取目标物的原始粗略点云。
S102：将所述原始粗略点云输入所述特征提取层，以使所述特征提取层提取所述原始粗略点云在若干平面上的平面特征。
执行本说明书技术方案的执行主体可为任意具备计算能力的计算设备（如：服务器、终端），为了方便描述，本说明书以服务器为例进行说明。
首先，该服务器可获取目标物的原始粗略点云。具体的，该服务器可与外部设备连接，该外部设备可采集目标物的点云，作为原始粗略点云，该外部设备可将该原始粗略点云发送给该服务器。其中，该外部设备可为雷达、激光雷达以及激光扫描仪等等，只要该外部设备可采集目标物的点云即可。或者，该服务器自身可具备采集目标物的点云的功能，则该服务器可响应于用户获取目标物的点云的操作，采集目标物的点云，作为原始粗略点云，进而使用部署在该服务器中的三维表面生成模型对该原始粗略点云进行后续处理，以使得目标物的点云更加精准。
需要说明的是，该原始粗略点云，该“粗略点云”是一个相对的概念，也即与经过三维表面生成模型处理之后的点云，即最终精准点云相比，该“粗略点云”是粗略的。具体的，该“原始粗略点云”的“粗略”指的是点云构成的目标物的形状不精确，同样的，“最终精准点云”的“精准”指的是点云构成的目标物的形状精确，该“粗略”与“精细”是相对概念，均用于表述点云构成的目标物的形状与目标物的真实形状的相似程度，换句话说，最终精细点云相比于原始粗略点云与目标物的真实形状的相似程度高。
一般的，由于采集目标物的点云的设备质量问题以及环境因素等等，会不同程度的导致采集到的目标物的点云存在噪声，也即使得采集到的目标物的原始粗略点云与目标物的真实形状的相似程度低，因此，为了提高目标物的点云的精准度，也即为了提高目标物的点云构成的目标物的形状与目标物的真实形状的相似程度，在本说明书中，可通过三维表面生成模型对点云进行处理，如图2所示，为本说明书提供的一种三维表面生成模型的结构示意图，可见，该三维表面生成模型包括特征提取层、流变换层以及结果预测层。
于是，该服务器可将获取到的目标物的原始粗略点云输入到特征提取层，以使特征提取层提取原始粗略点云在若干平面上的平面特征。
在本说明书的一个或多个实施例中，点云均为三维点云，也即原始粗略点云以及最终精准点云都为三维点云。
此外，特征提取层提取原始粗略点云在若干平面上的平面特征具体可为，特征提取层提取原始粗略点云在三个平面上的平面特征，该三个平面为三维坐标系中的XOY平面、XOZ平面以及YOZ平面。
S104：将所述平面特征输入所述流变换层，以使所述流变换层对所述平面特征进行变换，得到变换后的平面特征，并使所述流变换层对所述变换后的平面特征进行去噪，得到去噪后的平面特征。
然后，该服务器可将平面特征输入流变换层，以使流变换层对平面特征进行流变换，得到流变换后的平面特征，并使流变换层对变换后的平面特征进行去噪，得到去噪后的平面特征。换句话说，在本说明书中，该流变换层具备两种功能，将平面特征进行流变换以及对流变换后的平面特征进行去噪。
在本说明书的一个或多个实施例中，在将平面特征输入流变换层时，该服务器可对平面特征进行标准化处理，得到标准化处理后的平面特征，再将标准化处理后的平面特征输入流变换层。
通过对平面特征进行标准化处理，便于后续步骤中对平面特征的处理，提高了数据处理效率。
在本说明书的一个或多个实施例中，在将平面特征输入流变换层时，该服务器还可先对平面特征进行降维处理，得到降维后的平面特征，再将降维后的平面特征输入流变换层。
通过对平面特征进行降维处理，便于后续步骤中对平面特征进行流变换，使得平面特征更加适用于流变换，保证在平面特征本身反应的信息不变的情况下进行流变换，提高三维表面模型输出的点云的准确度。
在本说明书的一个或多个实施例中，可对平面特征进行标准化处理以及降维处理，也可只进行标准化处理或者只进行降维处理，或者不对平面特征进行标准化处理处理也不进行降维处理，标准化处理以及降维处理的选择，可根据具体需求而定。其中，当对平面特征进行标准化处理以及降维处理时，降维处理位于标准化处理之后，也即要先对平面特征进行标准化处理，得到标准化处理后的平面特征，再对标准化处理后的平面特征进行降维处理，得到降维后的平面特征，最后将降维后的平面特征输入流变换层。
S106：将所述去噪后的平面特征输入结果预测层，得到所述结果预测层输出的所述目标物的最终精准点云。
最后，该服务器可将去噪后的平面特征输入结果预测层，从而可得到结果预测层输出的目标物的最终精准点云。该最终精准点云与上述原始粗略点云相比，对目标物的三维形状的描述更加精确。
基于图1所示本说明书提供的上述点云的处理方法中，可先获取目标物的原始粗略点云，再将原始粗略点云输入三维表面生成模型的特征提取层，以使特征提取层提取原始粗略点云在若干平面上的平面特征。然后将平面特征输入三维表面生成模型的流变换层，以使该流变换层对平面特征进行变换，得到变换后的平面特征，并使该流变换层对变换后的平面特征进行去噪，得到去噪后的平面特征。最后将去噪后的平面特征输入三维表面生成模型的结果预测层，得到结果预测层输出的目标物的最终精准点云。该方法通过将原始粗略点云输入包括特征提取层、流变换层以及结果预测层的三维表面生成模型，以使该三维表面生成模型对原始粗略点云依次进行特征提取、流变换以及去噪等，生成目标物对应的最终精细点云，使得最终精细点云相较于原始粗略点云，可以更好的描述目标物的三维表面，也即使得基于最终精准点云表征的目标物的更加精确。
进一步的，在本说明书的一个或多个实施例中，如图3所示，为本申请说明书提供的一种三维表面生成模型的结构示意图，可见，特征提取层包括具备残差结构的特征编码网络以及U-Net神经网络，流变换层包括流变换网络以及去噪网络，结果预测层包括第一预测网络、第二预测网络以及第三预测网络，其中，第一预测网络包括四个线性层，每个线性层后均具备一个线性整流函数以及双曲正切函数，第二预测网络包括跳跃连接网络，第三预测网络包括线性层。
则在上述步骤S102中，在将原始粗略点云输入特征提取层，以使特征提取层提取原始粗略点云在若干平面上的平面特征时，具体为，先将原始粗略点云输入特征编码网络，得到原始粗略点云在若干平面上的编码特征，再将编码特征输入U-Net神经网络，以使U-Net神经网络对编码特征进行去噪，得到原始粗略点云在若干平面上的平面特征。
在本说明书中，将特征提取层构建为具备残差结构的特征编码网络以及U-Net神经网络，可以更好地捕捉点云数据的几何形状以及局部特征，因此可使得提取到的编码特征更加精准以及使得得到的平面特征更丰富、鲁棒性更强。
在上述步骤S104中，将平面特征输入流变换层，以使流变换层对平面特征进行变换，得到变换后的平面特征，并使流变换层对变换后的平面特征进行去噪，得到去噪后的平面特征，具体为，迭代执行：将平面特征输入流变换网络，以使流变换网络基于预设的基准高斯分布以及预设的目标分布，将平面特征进行流变换，得到变换后的平面特征。然后将变换后的平面特征输入去噪网络，以使去噪网络对流变换后的平面特征进行去噪，得到去噪后的平面特征。并将得到的去噪后的平面特征作为新的平面特征。
在本说明书的一个或多个实施例中，迭代次数可为两次。
另外，流变换旨在将一种分布变换为另外一种分布，在本说明书中，该基准高斯分布在流变换中可作为变换起点，用于生成更复杂的分布，也即目标分布。
在本说明书中，将流变换层构建为流变换网络以及去噪网络，可以去除特征中的噪声和冗余信息，增强特征的稳定性。
在本说明书的一个或多个实施例中，该去噪网络具体可为稳定扩散模型。当该去噪网络为稳定扩散模型时，则将平面特征输入流变换层，以使流变换层对平面特征进行变换，得到变换后的平面特征，并使流变换层对变换后的平面特征进行去噪，得到去噪后的平面特征，具体为，将平面特征输入流变换网络，以使流变换网络基于预设的基准高斯分布以及预设的目标分布，将平面特征进行流变换，得到变换后的平面特征。然后将变换后的平面特征输入稳定扩散模型，以使稳定扩散模型对流变换后的平面特征进行去噪，得到去噪后的平面特征。并将得到的去噪后的平面特征作为新的平面特征，并重新输入流变换层以及稳定扩散模型。稳定扩散模型可对特征进行去噪以优化特征，使得三维表面生成模型输出的点云更加平滑以及精准。
其中，目标分布可为理想分布，该理想分布表征各点云的位置完全精准，各点云均位于目标物的轮廓上，与目标物的形状结构符合，也即目标分布是点云对应的真实分布，该真实分布可精确地描述三维点云的形状结构。简单来说，该目标分布为采集到的该目标物的点云对应的符合目标物形状结构的真实分布。在本说明书中，该目标分布可进行预先设置。
在上述步骤S106中，服务器将去噪后的平面特征输入结果预测层，得到结果预测层输出的目标物的最终精准点云时，具体为，服务器将去噪后的平面特征输入第一预测网络，以使第一预测网络从去噪后的平面特征中进行进一步的提取特征，得到第一特征，该四个线性层可从特征中提取丰富信息，并通过线性整流函数以及双曲正切激活函数的作用，使得第一预测网络可以更好的学习特征表达。然后该服务器可将第一特征输入第二预测网络，得到第二特征，该第二预测网络采用跳跃连接的结构，使得该第二预测网络可以更深层次的学习特征，提高第二预测网络对输入特征的表达能力。最后该服务器可将第二特征输入第三预测网络，得到最终精准点云，该第三预测网络中的线性层可以将学习到的特征转化为对预测点位置的映射，也即该第三预测网络中的线性层可将第二预测层输出的第二特征映射到最终的预测点云的位置。
此外，本说明书还提供了三维表面生成模型的训练方法。具体的，服务器可获取样本点云以及标签点云。然后将样本点云输入特征提取层，得到特征提取层提取到的原始粗略点云在若干平面上的样本平面特征，进而将样本平面特征输入流变换层，以使流变换层对样本平面特征进行变换，得到变换后的样本平面特征，并使流变换层对变换后的样本平面特征进行去噪，得到去噪后的样本平面特征。接着将去噪后的样本平面特征输入结果预测层，得到结果预测层输出的预测点云。最后根据预测点云以及标签点云，对初始的三维表面生成模型进行训练。
基于上述内容所述的点云的处理方法，本说明书实施例还对应的提供一种用于点云的处理装置示意图，如图4所示。
图4为本说明书实施例提供的一种用于点云的处理装置的示意图，所述装置包括：
获取模块400，用于获取目标物的原始粗略点云；
输入模块402，用于将所述原始粗略点云输入所述特征提取层，以使所述特征提取层提取所述原始粗略点云在若干平面上的平面特征；
变换模块404，用于将所述平面特征输入所述流变换层，以使所述流变换层对所述平面特征进行变换，得到变换后的平面特征，并使所述流变换层对所述变换后的平面特征进行去噪，得到去噪后的平面特征；
输出模块406，用于将所述去噪后的平面特征输入结果预测层，得到所述结果预测层输出的所述目标物的最终精准点云。
可选地，所述特征提取层包括：具备残差结构的特征编码网络以及U-Net神经网络；
所述输入模块402具体用于，将所述原始粗略点云输入所述特征编码网络，得到所述原始粗略点云在若干平面上的编码特征；将所述编码特征输入所述U-Net神经网络，以使所述U-Net神经网络对所述编码特征进行去噪，得到所述原始粗略点云在若干平面上的平面特征。
可选地，所述输入模块402具体用于，对所述平面特征进行标准化处理，得到标准化处理后的平面特征；将所述标准化处理后的平面特征输入所述流变换层。
可选地，所述输入模块402具体用于，对所述平面特征进行降维处理，得到降维后的平面特征；将所述降维后的平面特征输入所述流变换层。
可选地，所述流变换层包括流变换网络以及去噪网络；
所述输入模块402具体用于，迭代执行：将所述平面特征输入所述流变换网络，以使所述流变换网络基于预设的基准高斯分布以及预设的目标分布，将所述平面特征进行流变换，得到变换后的平面特征；将所述变换后的平面特征输入所述去噪网络，以使所述去噪网络对所述流变换后的平面特征进行去噪，得到去噪后的平面特征；并，将得到的所述去噪后的平面特征作为新的平面特征；将最终得到的去噪后的平面特征作为，将所述平面特征输入所述流变换层之后得到的去噪后的平面特征。
可选地，所述去噪网络为稳定扩散模型。
可选地，所述装置还包括训练模块408；
所述训练模块408具体用于，获取样本点云以及标签点云；将所述样本点云输入所述特征提取层，得到所述特征提取层提取到的所述原始粗略点云在若干平面上的样本平面特征；将所述样本平面特征输入所述流变换层，以使所述流变换层对所述样本平面特征进行变换，得到变换后的样本平面特征，并使所述流变换层对所述变换后的样本平面特征进行去噪，得到去噪后的样本平面特征；将所述去噪后的样本平面特征输入结果预测层，得到所述结果预测层输出的预测点云；根据所述预测点云以及所述标签点云，对初始的三维表面生成模型进行训练。
本说明书实施例还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述内容所述的点云的处理方法。
基于上述内容所述的点云的处理方法，本说明书实施例还提出了图5所示的电子设备的示意结构图。如图5，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述内容所述的点云的处理方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据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。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供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步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
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，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书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，本说明书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。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种点云的处理方法，其特征在于，三维表面生成模型包括特征提取层、流变换层以及结果预测层；所述方法包括：
获取目标物的原始粗略点云；
将所述原始粗略点云输入所述特征提取层，以使所述特征提取层提取所述原始粗略点云在若干平面上的平面特征；
将所述平面特征输入所述流变换层，以使所述流变换层对所述平面特征进行变换，得到变换后的平面特征，并使所述流变换层对所述变换后的平面特征进行去噪，得到去噪后的平面特征；
将所述去噪后的平面特征输入结果预测层，得到所述结果预测层输出的所述目标物的最终精准点云。
2.如权利要求1所述的方法，其特征在于，所述特征提取层包括：具备残差结构的特征编码网络以及U-Net神经网络；
将所述原始粗略点云输入所述特征提取层，以使所述特征提取层提取所述原始粗略点云在若干平面上的平面特征，具体包括：
将所述原始粗略点云输入所述特征编码网络，得到所述原始粗略点云在若干平面上的编码特征；
将所述编码特征输入所述U-Net神经网络，以使所述U-Net神经网络对所述编码特征进行去噪，得到所述原始粗略点云在若干平面上的平面特征。
3.如权利要求1所述的方法，其特征在于，将所述平面特征输入所述流变换层，具体包括：
对所述平面特征进行标准化处理，得到标准化处理后的平面特征；
将所述标准化处理后的平面特征输入所述流变换层。
4.如权利要求1所述的方法，其特征在于，将所述平面特征输入所述流变换层，具体包括：
对所述平面特征进行降维处理，得到降维后的平面特征；
将所述降维后的平面特征输入所述流变换层。
5.如权利要求1所述的方法，其特征在于，所述流变换层包括流变换网络以及去噪网络；
将所述平面特征输入所述流变换层，以使所述流变换层对所述平面特征进行变换，得到变换后的平面特征，并使所述流变换层对所述变换后的平面特征进行去噪，得到去噪后的平面特征，具体包括：
迭代执行：将所述平面特征输入所述流变换网络，以使所述流变换网络基于预设的基准高斯分布以及预设的目标分布，将所述平面特征进行流变换，得到变换后的平面特征；将所述变换后的平面特征输入所述去噪网络，以使所述去噪网络对所述流变换后的平面特征进行去噪，得到去噪后的平面特征；并，将得到的所述去噪后的平面特征作为新的平面特征；
将最终得到的去噪后的平面特征作为，将所述平面特征输入所述流变换层之后得到的去噪后的平面特征。
6.如权利要求5所述的方法，其特征在于，所述去噪网络为稳定扩散模型。
7.如权利要求1所述的方法，其特征在于，所述三维表面生成模型采用下述方法训练：
获取样本点云以及标签点云；
将所述样本点云输入所述特征提取层，得到所述特征提取层提取到的所述原始粗略点云在若干平面上的样本平面特征；
将所述样本平面特征输入所述流变换层，以使所述流变换层对所述样本平面特征进行变换，得到变换后的样本平面特征，并使所述流变换层对所述变换后的样本平面特征进行去噪，得到去噪后的样本平面特征；
将所述去噪后的样本平面特征输入结果预测层，得到所述结果预测层输出的预测点云；
根据所述预测点云以及所述标签点云，对初始的三维表面生成模型进行训练。
8.一种点云的处理装置，其特征在于，三维表面生成模型包括特征提取层、流变换层以及结果预测层；所述装置具体包括：
获取模块，用于获取目标物的原始粗略点云；
输入模块，用于将所述原始粗略点云输入所述特征提取层，以使所述特征提取层提取所述原始粗略点云在若干平面上的平面特征；
变换模块，用于将所述平面特征输入所述流变换层，以使所述流变换层对所述平面特征进行变换，得到变换后的平面特征，并使所述流变换层对所述变换后的平面特征进行去噪，得到去噪后的平面特征；
输出模块，用于将所述去噪后的平面特征输入结果预测层，得到所述结果预测层输出的所述目标物的最终精准点云。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-7任一所述的方法。
10.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述权利要求1-7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410329387.9A CN117934858B (zh) | 2024-03-21 | 2024-03-21 | 一种点云的处理方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410329387.9A CN117934858B (zh) | 2024-03-21 | 2024-03-21 | 一种点云的处理方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117934858A true CN117934858A (zh) | 2024-04-26 |
| CN117934858B CN117934858B (zh) | 2024-06-04 |
Family
ID=90757916
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410329387.9A Active CN117934858B (zh) | 2024-03-21 | 2024-03-21 | 一种点云的处理方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117934858B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109767391A (zh) * | 2018-12-03 | 2019-05-17 | 深圳市华讯方舟太赫兹科技有限公司 | 点云去噪方法、图像处理设备及具有存储功能的装置 |
| US10408939B1 (en) * | 2019-01-31 | 2019-09-10 | StradVision, Inc. | Learning method and learning device for integrating image acquired by camera and point-cloud map acquired by radar or LiDAR corresponding to image at each of convolution stages in neural network and testing method and testing device using the same |
| CN113012177A (zh) * | 2021-04-02 | 2021-06-22 | 上海交通大学 | 基于几何特征提取和边缘感知编码的三维点云分割方法 |
| CN113177477A (zh) * | 2021-04-29 | 2021-07-27 | 湖南大学 | 一种基于三维点云分析的目标检测识别方法 |
| CN113284173A (zh) * | 2021-04-20 | 2021-08-20 | 中国矿业大学 | 基于伪激光雷达的端到端的场景流、位姿联合学习方法 |
| CN113409457A (zh) * | 2021-08-20 | 2021-09-17 | 宁波博海深衡科技有限公司武汉分公司 | 立体图像的三维重构与可视化方法及设备 |
| US20220198647A1 (en) * | 2021-02-09 | 2022-06-23 | Nanjing University Of Aeronautics And Astronautics | Method for detecting and recognizing surface defects of automated fiber placement composite based on image converted from point cloud |
| WO2022262219A1 (zh) * | 2021-06-18 | 2022-12-22 | 中国科学院深圳先进技术研究院 | 一种构建自我监督点云学习的语义扰动重构网络的方法 |
| CN116862960A (zh) * | 2023-06-12 | 2023-10-10 | 湖北文理学院 | 工件形貌点云配准方法、装置、设备及存储介质 |
| CN116993923A (zh) * | 2023-09-22 | 2023-11-03 | 长沙能川信息科技有限公司 | 换流站三维模型制作方法、系统、计算机设备和存储介质 |
| CN117115337A (zh) * | 2023-07-13 | 2023-11-24 | 厦门大学 | 基于稀疏点云帧的三维表面建模方法 |
| CN117256014A (zh) * | 2021-06-30 | 2023-12-19 | 腾讯美国有限责任公司 | 由精细到粗略细化的对比性点补全系统和方法 |
| CN117274072A (zh) * | 2023-07-31 | 2023-12-22 | 广东机电职业技术学院 | 一种基于二维多模态范围图像的点云去噪方法及装置 |
| CN117456190A (zh) * | 2023-12-01 | 2024-01-26 | 湘潭大学 | 一种面向大规模复杂场景的点云语义分割方法 |
| CN117451716A (zh) * | 2023-10-19 | 2024-01-26 | 北京航空航天大学 | 一种工业产品表面缺陷检测方法 |
| CN117475110A (zh) * | 2023-12-27 | 2024-01-30 | 北京市农林科学院信息技术研究中心 | 叶片的语义三维重建方法、装置、电子设备及存储介质 |
-
2024
- 2024-03-21 CN CN202410329387.9A patent/CN117934858B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109767391A (zh) * | 2018-12-03 | 2019-05-17 | 深圳市华讯方舟太赫兹科技有限公司 | 点云去噪方法、图像处理设备及具有存储功能的装置 |
| US10408939B1 (en) * | 2019-01-31 | 2019-09-10 | StradVision, Inc. | Learning method and learning device for integrating image acquired by camera and point-cloud map acquired by radar or LiDAR corresponding to image at each of convolution stages in neural network and testing method and testing device using the same |
| US20220198647A1 (en) * | 2021-02-09 | 2022-06-23 | Nanjing University Of Aeronautics And Astronautics | Method for detecting and recognizing surface defects of automated fiber placement composite based on image converted from point cloud |
| CN113012177A (zh) * | 2021-04-02 | 2021-06-22 | 上海交通大学 | 基于几何特征提取和边缘感知编码的三维点云分割方法 |
| CN113284173A (zh) * | 2021-04-20 | 2021-08-20 | 中国矿业大学 | 基于伪激光雷达的端到端的场景流、位姿联合学习方法 |
| CN113177477A (zh) * | 2021-04-29 | 2021-07-27 | 湖南大学 | 一种基于三维点云分析的目标检测识别方法 |
| WO2022262219A1 (zh) * | 2021-06-18 | 2022-12-22 | 中国科学院深圳先进技术研究院 | 一种构建自我监督点云学习的语义扰动重构网络的方法 |
| CN117256014A (zh) * | 2021-06-30 | 2023-12-19 | 腾讯美国有限责任公司 | 由精细到粗略细化的对比性点补全系统和方法 |
| CN113409457A (zh) * | 2021-08-20 | 2021-09-17 | 宁波博海深衡科技有限公司武汉分公司 | 立体图像的三维重构与可视化方法及设备 |
| CN116862960A (zh) * | 2023-06-12 | 2023-10-10 | 湖北文理学院 | 工件形貌点云配准方法、装置、设备及存储介质 |
| CN117115337A (zh) * | 2023-07-13 | 2023-11-24 | 厦门大学 | 基于稀疏点云帧的三维表面建模方法 |
| CN117274072A (zh) * | 2023-07-31 | 2023-12-22 | 广东机电职业技术学院 | 一种基于二维多模态范围图像的点云去噪方法及装置 |
| CN116993923A (zh) * | 2023-09-22 | 2023-11-03 | 长沙能川信息科技有限公司 | 换流站三维模型制作方法、系统、计算机设备和存储介质 |
| CN117451716A (zh) * | 2023-10-19 | 2024-01-26 | 北京航空航天大学 | 一种工业产品表面缺陷检测方法 |
| CN117456190A (zh) * | 2023-12-01 | 2024-01-26 | 湘潭大学 | 一种面向大规模复杂场景的点云语义分割方法 |
| CN117475110A (zh) * | 2023-12-27 | 2024-01-30 | 北京市农林科学院信息技术研究中心 | 叶片的语义三维重建方法、装置、电子设备及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| KANGCHENG LIU等: "FG-net: a fast and accurate framework for large-scale lidar point cloud understanding", 《IEEE TRANSACTIONS ON CYBERNETICS》, 13 April 2022 (2022-04-13) * |
| 吕强;王晓龙;刘峰;夏凡;: "基于点云配准的室内移动机器人6自由度位姿估计", 装甲兵工程学院学报, no. 04, 15 August 2013 (2013-08-15) * |
| 朱昊: "复杂先验驱动的三维重建研究", 《博士电子期刊》, 15 January 2020 (2020-01-15) * |
| 王俊;王赛;任俞明;陈德红;崔闪;魏少明;: "结合深度学习去噪和超分辨的SAR检测识别", 空天防御, no. 03, 15 September 2020 (2020-09-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117934858B (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108765334A (zh) | 一种图像去噪方法、装置以及电子设备 | |
| CN117372631B (zh) | 一种多视角图像生成模型的训练方法、应用方法 | |
| CN112784857B (zh) | 一种模型训练以及图像处理方法及装置 | |
| CN116188632A (zh) | 一种图像的生成方法、装置、存储介质及电子设备 | |
| CN115600157B (zh) | 一种数据处理的方法、装置、存储介质及电子设备 | |
| CN117635822A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN116543264A (zh) | 图像分类模型的训练方法、图像分类方法及装置 | |
| CN116502633A (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
| CN117409466B (zh) | 一种基于多标签控制的三维动态表情生成方法及装置 | |
| CN117197781B (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
| CN117036868B (zh) | 一种人体感知模型的训练方法、装置、介质及电子设备 | |
| CN117934858B (zh) | 一种点云的处理方法、装置、存储介质及电子设备 | |
| CN115809696B (zh) | 虚拟形象模型训练方法及装置 | |
| CN115499635B (zh) | 数据压缩处理方法及装置 | |
| CN116342888A (zh) | 一种基于稀疏标注训练分割模型的方法及装置 | |
| CN118211132B (zh) | 一种基于点云的三维人体表面数据生成方法及装置 | |
| CN117975202B (zh) | 模型训练方法、业务执行方法、装置、介质及设备 | |
| CN117726907B (zh) | 一种建模模型的训练方法、三维人体建模的方法以及装置 | |
| CN117911630B (zh) | 一种三维人体建模的方法、装置、存储介质及电子设备 | |
| CN115953559B (zh) | 虚拟对象处理方法及装置 | |
| CN117808976B (zh) | 一种三维模型构建方法、装置、存储介质及电子设备 | |
| CN117830564B (zh) | 一种姿态分布指导的三维虚拟人模型重建方法 | |
| CN118193797B (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
| CN117994470B (zh) | 一种多模态层次自适应的数字网格重建方法及装置 | |
| CN118334278B (zh) | 一种点云数据处理方法、装置、存储介质及设备 |
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 |