[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

说明书

本发明提出了一种基于神经隐式函数的点云上采样方法，以克服现有上采样技术的局限性并生成任意分辨率的点云数据。该方法首先训练神经隐式函数以在点云数据集的配对样本之间建立映射，然后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。此外，该方法还通过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。通过这种方法，可以生成高质量的点云数据，同时提高处理效率，适用于需要进行点云处理的各种场景，如自动驾驶、游戏开发和虚拟现实等。

技术领域

本发明涉及点云处理技术领域，特别是关于利用神经隐式函数进行任意分辨率的点云上采样方法。

背景技术

点云数据是一种常见的三维数据形式，广泛应用于自动驾驶、游戏开发、虚拟现实等领域。然而，由于采集设备的限制，获取的点云数据往往分布稀疏，缺乏足够的详细信息。因此，增加点云的密度，即上采样，是必要的处理步骤。

传统的点云上采样方法，如基于插值的方法，无法生成高质量的点云数据，且处理效率低下。因此，寻求一种高效、高质量的任意分辨率的点云上采样方法成为了迫切的需求。

虽然传统的上采样方法和基于深度学习的方法都可以用来进行点云的上采样，但由于点云的稀疏性和不规则性，传统方法往往不能取得很好的效果。虽然基于深度学习的方法可以更好地捕捉非规则结构的特征，进行高质量的上采样，但这种方法通常需要端到端的训练和使用，所以很难实现任意倍率的上采样。

现有的基于深度学习的方法有两种实现不同倍率上采样的方式：一种是预设上采样倍率，构建相应的训练数据和网络，并进行单独训练；另一种是准备多种不同倍率的数据，训练一个网络，使其能在给定的倍率范围内进行上采样。然而，这两种方法都有其局限性。因此，当前的技术仍有改进和发展的空间。

发明内容

考虑到现有点云上采样方法的局限性，本发明提出了一种基于神经隐式函数的点云上采样方法。首先，通过神经隐式函数对原始点云进行建模，得到隐式表达模型。然后，根据需要的分辨率，对隐式表达模型进行采样，生成高质量的点云数据。该方法克服了传统上采样方法的局限性，可以生成任意分辨率的点云数据，且处理效率高。本发明具体是这样实现的：

一种基于神经隐式函数的任意分辨率点云上采样方法，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。

上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，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。

进一步地，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。

进一步地，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；