[发明专利]一种基于深度学习的超分辨率点云生成方法

摘要

本发明公开一种基于深度学习的超分辨率点云生成方法。该方法结合传统点云的细分插值算法和深度神经网络来生成理想的超分辨率点云。在第一阶段使用一种改进的局部细分插值算法将输入的稀疏点云进行插值操作；第二个步骤，使用深度神经网络来进行进一步的点坐标位置调优，依靠神经网络强大的学习能力输出对插值点的调整值。在神经网络中，加入了外积操作将全局的特征向量转变成外积矩阵。外积矩阵的引入能够方便的使用卷积网络进行特征的进一步处理，同时能够减少网络的参数。与原有的细分插值算法和基于神经网络的超分辨点云生成方法相比，本方法不仅在误差控制和点均匀度分布上都取得了更好的结果，可以应用在模型渲染和曲面重建等场景。

主权项

1.一种基于深度学习的超分辨率点云生成方法，其特征在于，基于该方法的超分辨率点云生成过程包括以下步骤：步骤1：使用泊松采样把点云模型进行下采样；步骤2：用改进的插值算法将输入的点云模型进行上采样；步骤3：将步骤2中得到新插入的点构造数据集，将点云模型中需要调整的点查询到的邻域填充成patch与标签一一对应；步骤4：利用深度神经网络将数据集进行训练，神经网络输出为patch中心坐标的偏移值；步骤5：最后用输出的偏移量修正点的坐标位置(ΔX,ΔY,ΔZ)；其中步骤2中用改进的插值算法将输入的点云模型进行上采样具体包括以下步骤：步骤(1)：将下采样后的点云模型进行插值操作，使用最近邻KNN找出中心点的第一环邻域；步骤(2)：计算第一环邻域中所有邻域点与中心点的角度，然后按照顺时针方向对角度大小进行排序，如果相邻两点的角度小于某个阈值则舍弃该点；步骤(3)：按照排序后的点的顺序构建凸多边形，具体为：如果当前点到中心点的欧式距离小于等于上一个点到中心点的欧氏距离，则由当前点和中心点构建一个新的凸多边形，否则将当前点加入当前凸多边形；步骤(4)：根据步骤(3)构成的凸多边形，每个凸多边形的重心即为新插入的点；步骤4中的深度神经网络的结构为：深度神经网络包括两个模块，第一个模块是点云patch的特征提取模块，第二个模块为基于外积操作的卷积模块；其中基于外积操作的卷积模块中外积操作首先将第一模块输出的全局特征进行拆分，得到两个相同大小的向量，将这两个向量进行外积操作，得到一个外积矩阵。