[发明专利]一种框架细节增强的深度学习点云补全方法

权利要求书

1.一种框架细节增强的深度学习点云补全方法，其特征在于：

步骤1，给定X作为部分输入点云，首先利用自动编码器来生成用于粗略形状补全的全局特征；

步骤2，通过解码全局特征恢复出粗略的框架；

步骤3，分别从X和中提取逐点特征F_X和F_C；F_X可以看作是包含几何细节的局部特征，F_C是指全局框架中各个点特征；

步骤4，将F_X和F_C连同其对应的空间坐标P_X和P_C输入到框架-细节Transformer模块以将局部细节特征从F_X和F_C融合到F_C并获得增强的特征；

其中，框架-细节Transformer模块包括一个自注意力层、一个交叉注意力层和一个可选的全局自注意力层；其输入是F_X和F_C，自注意力层将对每个点的特征进行提取和聚合，输出和；交叉注意层分析粗糙框架中的点和输入的局部模型中的点的相关性，并将来自局部模型的细节特征F_X和F_C集成到粗糙框架点的特征中，得到增强后的特征；可选的全局自注意力层可以应用于和的组合，以在全局视图中进一步传播特征，全局自注意力层是根据内存的充裕情况选择添加或者不添加；

步骤5，将的一同输入到重建网络中，以获得最终的细节增强结果。

2.根据权利要求1所述的框架细节增强的深度学习点云补全方法，其特征在于：

步骤1的中给定X作为部分输入点云，首先利用自动编码器来生成用于粗略形状补全的全局特征，在自动编码器使用PointNet为基础框架，通过多层感知机来提取逐点特征，之后通过最大池化层获取全局特征。

3.根据权利要求2所述的框架细节增强的深度学习点云补全方法，其特征在于：

对于得到的全局特征，首先将其通过多层感知机将原本的低维度特征提取到高维度特征而后通过Reshape操作来到得到与粗糙结果相同的维度，多层感知机可以有效地提取点云的特征，之后再通过多层感知机回归出粗略的框架。

4.根据权利要求1所述的框架细节增强的深度学习点云补全方法，其特征在于：

给定具有特征的输入点云P，自注意力层可由如下公式表示：

其中表示线性投影，是一个包含线性层的多层感知机MLP，代表查询值中第i个元素，代表键值中第i个元素，代表value中第i个元素，同样代表MLP，其由线性层组成，且包含批量归一化操作和ReLU激活函数，为初始融合后的特征，d为特征维度。