[发明专利]一种基于几何可解释性的点云生成方法

说明书

一种基于几何可解释性的点云生成方法，包括以下步骤：S1.点云隐表达学习训练：用基础的点云自编码器网络来进行学习，得到点云隐表达；S2.点云隐表达的概率分布学习：用最优传输理论在几何视角下的方法进行建模学习训练得到随机概率分布到隐表达概率分布的传输映射图；以及S3.新的点云实例生成：使用S2中学习到的传输映射图构建新的点云生成。本发明方法其所生成的点云符合真实场景，且避免了模式混淆或生成模式过少的情况，为后续生成多样式点云提供了基础保障。

技术领域

本发明涉及点云及三维数据预处理领域，并且更具体地涉及一种基于几何可解释性的点云生成方法。

背景技术

点云生成模型由于其可以生成真实点云实例，其在近年来受到了众多的关注。然而，现有点云生成方法均基于深度学习网络框架，例如基于自编码器或生对抗网络模型。由于神经网络只能模拟连续变换函数，而真实数据的分布则是离散的，因而会引入生成模式的混淆或生成模式过少的情况。从几何视角来解析点云生成模型，由于大部分数据集是基于多模式或多类别的，因此在此过程中，形状的模拟是连续的，但其在源域和目标域的分布映射是离散而非连续的，因而将形状与分布的学习放置于同一个神经网络当中一起训练是不恰当的，自然也就会生成错误的且不真实的点云。因此，如何设计更加有效且能够表达离散映射分布映射的点云生成方法就显得尤为重要。

发明内容

针对上述问题和相关方法的缺陷，本发明提出了一种基于几何可解释性的点云生成方法，其所生成的点云符合真实场景，且避免了模式混淆或生成模式过少的情况，为后续生成多样式点云提供了基础保障。

本发明的技术方案如下：

一种基于几何可解释性的点云生成方法，包括以下步骤：S1.点云隐表达学习训练：用基础的点云自编码器网络来进行学习，得到点云隐表达；S2.点云隐表达的概率分布学习：用最优传输理论在几何视角下的方法进行建模学习训练得到随机概率分布到隐表达概率分布的传输映射图；以及S3.新的点云实例生成：使用S2中学习到的传输映射图构建新的点云生成。

优选的，在上述基于几何可解释性的点云生成方法中，在步骤S1中，确定一种点云隐表达的学习，并进行训练得到点云的隐表达，云隐表达可以是低维紧实的特征表达或嵌入在低维的流形，使用点云自编码器来训练实现，其中，公式(1)为最小化解码器生成的点云的损失函数，

其中分别为自编码器中的编码器和解码器，μ为源域点云x的分布空间，其中损失函数可以为点云常用距离函数；在完成训练之后，通过点云编码器即可得到点云隐表达以及其对应的分布。

优选的，在上述基于几何可解释性的点云生成方法中，在步骤S2中，通过构建伯努利势能来优化得到均匀分布/随机分布到隐表达分布的映射图。

优选的，在上述基于几何可解释性的点云生成方法中，在步骤S2中，由构建伯努利势能来实现映射图T，包括以下步骤；

1)构建超平面：其中，x为源域中的点云，z为目标域隐表达分布下的特征点，π是超平面，h为超平面的高度向量，其满足其为所构造的凸能量函数的唯一最优值，其可以通过该能量函数的梯度下降方法如公式(3)来进行优化：

E(h)'＝(υ_i-w_i(h))^T (3)

其中υ为目标域的测度，由于最优传输当中是保测度的，w为源域点云x对应的包腔分解下的一个包腔的面积；

2)根据公式(4)来计算所构造伯努利势能u(x)的上包络，其为所构造超平面的最大值集合，集合上来看，能量函数E(h)即为包络下方的体积

u(x)＝max{＜x,z_i＞+h_i} (4)；