[发明专利]多阶段深度学习的点云超分辨率方法、系统及电子设备

权利要求书

1.一种多阶段深度学习的点云超分辨率方法，其特征在于，包括：

获取目标物体的稀疏点云数据；

将所述稀疏点云数据输入至基于Transformer架构多阶段深度学习的点云超分辨率网络中，得到精细化密集点云数据；

所述基于Transformer架构多阶段深度学习的点云超分辨率网络包括：

密集点生成网络，用于提取稀疏点云数据的高级语义特征信息，生成初步粗糙密集点云；

逐点偏差修正网络，用于：

根据稀疏点云数据的高级语义特征信息和初步粗糙密集点云的高级语义特征信息，生成点云细节结构特征信息；

根据点云细节结构特征信息生成点云坐标偏移量；

将点云坐标偏移量和初步粗糙密集点云的空间坐标相加，得到精细化密集点云数据；

其中，所述密集点生成网络和所述逐点偏差修正网络均设置有多个Transformer编码器。

2.根据权利要求1所述的一种多阶段深度学习的点云超分辨率方法，其特征在于，所述密集点生成网络至少包括多个Transformer编码器、一个特征扩充模块和一个坐标回归模块；所述提取稀疏点云数据的高级语义特征信息，生成初步粗糙密集点云，具体包括：

利用多个Transformer编码器逐步提取稀疏点云数据的高级语义特征信息；

利用一个特征扩充模块和一个坐标回归模块从稀疏点云数据的高级语义特征信息进行初步回归，得到初步粗糙密集点云。

3.根据权利要求2所述的一种多阶段深度学习的点云超分辨率方法，其特征在于，所述密集点生成网络还包括一个卷积层；

卷积层的输入端用于输入稀疏点云数据；

卷积层的输出端用于输出低级特征编码信息。

4.根据权利要求3所述的一种多阶段深度学习的点云超分辨率方法，其特征在于，卷积层的输出端与第一Transformer编码器的第一输入端连接，第一Transformer编码器的第二输入端用于输入稀疏点云数据，第一Transformer编码器的输出端与第二Transformer编码器的第一输入端连接，第二Transformer编码器的第二输入端用于输入稀疏点云数据，第二Transformer编码器的输出端与第三Transformer编码器的第一输入端连接，依次类推，最后一个Transformer编码器的输出端与特征扩充模块的输入端连接，特征扩充模块的第一输出端与坐标回归模块的输入端连接。

5.根据权利要求4所述的一种多阶段深度学习的点云超分辨率方法，其特征在于，所述逐点偏差修正网络包括多个Transformer编码器、一个特征合成模块、一个局部精炼单元、一个偏移量回归模块以及一个相加模块；在逐点偏差修正网络中，所述精细化密集点云数据确定过程为：

利用多个Transformer编码器提取初步粗糙密集点云的高级语义特征信息；

利用特征合成模块将稀疏点云数据的高级语义特征信息和初步粗糙密集点云的高级语义特征信息进行合成，得到总的高级语义特征信息；

利用局部精炼单元从总的高级语义特征信息和初步粗糙密集点云的空间坐标中，生成点云细节结构特征图；

利用偏移量回归模块从点云细节结构特征图中得到点云坐标偏移量；

利用相加模块将点云坐标偏移量和初步粗糙密集点云的空间坐标相加，得到精细化密集点云数据。