[发明专利]一种基于对抗学习的点云去噪增强方法

说明书

本发明的基于对抗学习的点云去噪增强方法，包括如下步骤：在深度点云去噪网络训练过程中，将点云噪声置信度估计模块嵌入原始点云去噪网络；将带噪点云输入到嵌入点云噪声置信度估计模块的深度点云去噪网络中，根据点云噪声置信度估计模块估计出的点云置信度向量以及深度点云去噪网络预测出的去噪点云结果计算对抗损失；每次迭代时根据对抗损失扰动输入点云，生成对抗样本加入训练。本发明的基于对抗学习的点云去噪增强方法，能够动态的生成模型难以处理的对抗样本，提升点云去噪训练的数据多样性，在生成高斯噪声和模拟激光雷达采样噪声去噪任务上本发明增强后的模型相较于基准模型都有一定的提升。

技术领域

本发明涉及3D点云去噪技术领域，具体地，涉及一种基于对抗学习的点云去噪增强方法。

背景技术

点云是一种可以保留原始几何信息而无需离散化的3D数据格式。由于这个特性，点云是适用于许多应用场景(如机器人与自动驾驶等)的数据表示。然而，点云在获取过程中经常会受到噪声的扰动，这会影响3D场景相关的下游任务的表现。现有的点云去噪方法可以被粗略的分为基于优化的方法和基于深度学习的方法。基于优化的方法通常根据几何先验对点云进行去噪，这容易导致在处理噪声较大的点云时出现过平滑现象。由于针对3D点云设计的深度学习架构的发展，基于深度学习的点云去噪方法取得了有潜力的性能表现。基于深度学习的点云去噪方法通常通过预测点与潜在流形的偏移来进行点云去噪。一些方法通过学习潜在流形来重建点云。大部分现有的基于学习的点云去噪方法用生成的具有特定标准差的高斯噪声来训练模型，然而，当真实噪声的模式与训练噪声发生较大偏移时，模型的去噪性能将会减弱。这种训练模式多样性的不足会导致基于深度学习的去噪模型较难处理复杂噪声尤其是真实噪声。

最近兴起的对抗学习技术关注深度学习方法在学习过程中的鲁棒性问题，随着该项技术的快速发展，在图像处理领域的各种任务上，基于对抗学习方法增强的模型取有效地提升了鲁棒性。对抗学习的基本流程是对于训练数据执行对抗攻击，生成对应的对抗样本，将生成的对抗样本加入模型训练过程即实现对抗学习。

在基本的对抗学习框架下，对抗学习的训练过程可以形式化表示为：

其中，θ表示模型的参数，(x,y)分别是输入的训练样本和对应的真值，D是训练数据集的分布，δ和S分别表示对抗攻击的扰动和模型允许扰动的空间。L表示模型训练的损失函数。 FGSM方法通过计算输入数据的梯度搜索最具对抗性的数据执行生成对抗样本，可以形式化表示为：

其中表示生成的对抗数据，α表示扰动的步长。这种方法通过对输入数据加入导致最大损失方向的扰动生成对抗数据。与FGSM方法相似，PGD方法通过迭代方式对输入数据进行扰动，可以形式化表示为：

其中Π_x+S表示对抗扰动限制在允许扰动空间的投影操作。

在上述现有技术中存在的问题是：对抗学习的框架中，性能与鲁棒性存在一定的权衡关系，在追求鲁棒性时，模型在训练分布上的性能会存在一定程度的衰减。而点云的较小噪声通常接近训练分布(高斯分布)，简单地对点云去噪任务执行对抗学习会影响点云去噪模型在小噪声去噪场景下的去噪性能。

解决现有技术的难点是：基于深度学习的点云去噪模型由于其训练样本噪声模式多样性的不足较难处理复杂噪声尤其是真实噪声。

解决现有技术问题的意义是：通过基于对抗学习的点云去噪增强方法提升训练样本噪声的多样性，使增强后的点云去噪模型能够更好地适应真实场景下的复杂点云去噪问题。

发明内容

本发明提供了一种基于对抗学习的点云去噪增强方法，通过引入对抗训练来提高去噪模型训练数据的多样性，从而提升模型在不同噪声模式下的去噪性能。

本发明的技术方案如下：