[发明专利]一种基于神经隐式函数的任意分辨率点云上采样方法

权利要求书

1.一种基于神经隐式函数的任意分辨率点云上采样方法，其特征在于，包含以下步骤：

a)训练神经隐式函数，使其在给定点云数据集的配对样本之间建立映射；

b)使用训练好的神经隐式函数对低分辨率点云进行上采样，生成高分辨率点云；

c)使用优化算法调整生成的高分辨率点云，以最小化原始点云与生成点云之间的误差。

2.根据权利要求1所述的一种基于神经隐式函数的任意分辨率点云上采样方法，其特征在于，步骤a)包括：

a1)、将原始的稀疏点云模型分割成相互重叠的Patch；

a2)、将Patch送入预定义的点云局部特征提取网络提取点云的局部深层次几何特征；

a3)、将提取的局部点云特征与给定的查询点拼接送入神经网络结构，配合损失函数与优化算法训练神经隐式函数。

3.根据权利要求1或2所述的一种基于神经隐式函数的任意分辨率点云上采样方法，其特征在于，步骤b)包括：

b1)、使用训练好的神经隐式函数，对低分辨率点云的每个点进行评估，生成其对应的高分辨率点云；

b2)、对生成的高分辨率点云进行适当的裁剪和重采样，以满足预定的规模和密度要求。

4.根据权利要求3所述的一种基于神经隐式函数的任意分辨率点云上采样方法，其特征在于，步骤c)包括：

c1)、定义一个优化目标，该目标是使生成的高分辨率点云与原始点云在形状和细节上尽可能接近；

c2)、使用优化算法，如梯度下降或其它适合的算法，对生成的高分辨率点云进行调整，以最小化优化目标。

5.根据权利要求1至4任一项所述的一种基于神经隐式函数的任意分辨率点云上采样方法，其特征在于，所述的神经隐式函数可以是一种深度神经网络，如卷积神经网络、循环神经网络、变分自编码器、多层感知机等。

6.根据权利要求1至5任一项所述的一种基于神经隐式函数的任意分辨率点云上采样方法，其特征在于，所述的优化算法可以包括梯度下降、随机梯度下降、动量梯度下降、Adam等。

7.根据权利要求1至6任一项所述的一种基于神经隐式函数的任意分辨率点云上采样方法，其特征在于，所述的方法可以应用于三维模型的重建、计算机图形学、虚拟现实、增强现实、机器学习、机器视觉、无人驾驶等领域。

8.根据权利要求1至7任一项所述的一种基于神经隐式函数的任意分辨率点云上采样方法，其特征在于，所述的方法可以处理各种类型的点云，如有序点云、无序点云、带有法向量信息的点云等；所述的方法可以处理各种复杂度的点云，如简单的几何形状、复杂的自然景物、人工建筑等。

9.根据权利要求1至8任一项所述的一种基于神经隐式函数的任意分辨率点云上采样方法，其特征在于，所述的方法可以处理静态点云，也可以处理动态点云，如视频序列中的点云。