DGOA:基于动态图和偏移注意力的点云上采样

由三维扫描设备直接得到的点云经常是稀疏、不均匀、有噪声的,因而点云上采样在点云重建、渲染等领域扮演了越来越关键的角色。为此提出了一种新的基于动态图和偏移注意力的点云上采样网络DGOA,主要包含局部特征提取(LFE)、全局特征提取(GFE)和坐标重建(CR)3个模块。LFE采用多层结构提取邻域信息,每层基于特征相似性构建动态图,可以在特征空间自适应的将点云分组,增大感受野,获得长距离的语义信息,更好的建模点云的局部几何形状。GFE采用基于拉普拉斯算子的偏移注意力使每个点都能获得点云的全局信息,使生成点云的细节与原始点云一致,减少噪声的影响。CR借鉴FoldingNet操作,避免生成点的聚集。此外,整个网络与输入点云中点的顺序无关,具有置换不变性。在多个数据集的定量与定性实验结果表明,该方法优于其他方法,并且具有良好的泛化性和稳定性。

点云上采样技术研究

点云上采样旨在将稀疏、嘈杂、不完整的点云转换为密集、干净、完整的点云,这样有利于提高下游任务的性能。当前的点云上采样方法主要分为基于优化和基于学习的方法,本文针对基于深度学习的点云上采样算法进行了综述。本文从点云上采样的开山之作PU-Net引入,阐述了上采样算法的发展,并总结了插值算法在点云上采样中的应用,然后对不同特征扩展方法进行了比较,介绍了上采样算法的评价指标和常用数据集,最后对点云上采样的发展前景进行了展望。

基于深度学习的点云上采样算法研究

点云上采样能够提高点云分辨率并保持点云的特征,近年来越来越受到人们的重视。基于深度学习的点云上采样算法相较于基于优化的算法,能够更有效地学习点云的特征和结构,且对数据的先验要求不高,取得了先进的上采样效果。因此基于深度学习的点云上采样是当前许多学者主要研究的方向之一。本文综述了基于深度学习的点云上采样算法,阐述了点云上采样的整体框架以及改进的策略,并介绍了点云上采样效果的评价指标以及常用的数据集,最后探讨了点云上采样的未来的几个极具潜力的发展方向。

基于点代理增强和逐层上采样的猪体点云补全方法

采用逆向工程技术进行猪体的三维重建并测算,是低成本无接触式猪体型体况评估的一大解决方案,在比较单视角和多视角采集方法的优缺点后,本文提出基于深度学习的点云补全方法,将猪体局部点云恢复成一个完整的点云以实现猪体三维重建。该猪体点云补全方法基于点代理增强和逐层上采样,首先通过特征提取结合位置嵌入生成点代理,使用点代理增强Transformer进一步提高点代理的特征表示能力,再基于点代理通过逐层上采样由粗到细逐步恢复最终的高分辨率、细粒度和分布均匀的完整点云。本文对实际生产环境中采集的猪体点云进行补全,所提方法与目前主流的点云补全方法进行对比试验,在多个指标的评定上,本文提出的方法都取得了较好性能,尤其是在猪体点云缺失严重补全难度较大的情况下效果更为突出。试验证明该方法对猪体主干部位的补全具备应用价值,能够用于实现基于局部点云的猪体三维点云重建。

基于图神经网络的三维服装点云原型表征

数据驱动的三维数字化服装是数字化服装的前沿研究领域,具有重要的理论意义和工程价值。本文将图神经网络引入三维服装点云原型的表征,首先在服装人体特征识别的基础上,通过对人体特征点云添加服装放松量得到图神经网络的测试样本;然后将选取的T恤服装样本按照不同部位分割为若干曲面模型,对分片T恤曲面模型下采样形成训练图神经网络的子点云数据,通过图神经网络对所有训练样本的特征训练产生服装点云原型表征模型;最后应用人体特征点云上采样结果与参考点云之间的距离值分析图神经网络模型与同类结构的服装原型表征的效果。相较于其他模型构建的服装原型点云而言,本方法具有更好的三维服装点云原型表征效果。

三维点云数据超分辨率技术

随着机器视觉技术的发展,如何准确、高效地对真实世界进行精确记录与建模已成为热点问题。由于硬件条件的限制,通常采集到的点云数据分辨率较低,无法满足实际应用需求,因此有必要对点云数据超分辨率技术进行研究。本文介绍三维点云数据超分辨率技术的意义、进展及评价方法,并对经典超分辨率算法和基于机器学习的超分辨率算法分别进行梳理,总结了目前方法的特点,指出了目前点云数据超分辨率技术中存在的主要问题及面临的挑战,最后展望了点云数据超分辨率技术的发展方向。

基于代数曲面的残缺点云数据迭代修复算法

针对逆向工程领域,激光扫描仪获取的散乱点云数据难免存在着残缺的问题,设计一种迭代修复残缺点云孔洞的算法,对其进行下采样,基于加权局部最优投影算子得到分布均匀的稀疏点集;将点沿稀疏点集的代数点集曲面排斥推向残缺区域;对稀疏点集进行上采样完成孔洞区域的一次修复。将上述步骤迭代应用,逐渐缩小残缺区域,直到完成修复。研究表明:该方法对表面曲率连续的残缺点云模型可自适应完成修复,恢复原有残缺区域的几何信息。

一种边缘保持立体匹配方法

针对边缘处前景和背景视差易混淆问题,提出一种边缘保持立体匹配方法.在代价匹配阶段,采用级联Census变换增强代价的抗噪特性.在代价聚集阶段,引入SLIC超像素分割信息进行快速边缘保持代价聚集.在视差后处理阶段,通过导向十字滤波器进一步优化边缘视差.实验结果表明,文中提出的立体匹配方法在Middlebury测试集以及实际场景获得高质量视差效果,并在边缘处的视差较以往非局部立体匹配方法有所提升.实验还发现在点云上采样时,引入本文所提的导向十字滤波器,可以解决点云在边缘处的过渡.

深度学习点云质量增强方法综述

随着三维探测技术的发展,点云逐渐成为最常用的三维物体/场景表征数据类型之一,广泛应用于自动驾驶、增强现实及虚拟现实等领域。然而,受限于硬件设备、采集环境以及遮挡等因素,采集的原始点云通常是不完整、稀疏、嘈杂的,为点云的处理和分析带来了巨大挑战。在此背景下,点云质量增强技术旨在对原始点云进行处理以获得结构完整、密集且接近无噪的点云,具有重要意义。本文对现阶段深度学习点云质量增强方法进行了系统综述,为后续研究者提供研究基础。首先,简要介绍了点云数据处理中通用的关键技术;分别介绍了补全、上采样和去噪3类点云质量增强方法,并对3类方法中的现有算法进行了分类、梳理及总结。其中,点云补全与点云去噪算法均可根据是否采用编码器—解码器结构分为两大类,点云上采样算法可根据网络主要结构分为基于卷积神经网络的方法、基于生成对抗网络的方法和基于图卷积神经网络的方法。其次,总结了质量增强任务中常用的数据集与评价指标,并分别对比分析了现阶段点云补全、上采样和去噪中主流算法的性能。最后,通过系统的梳理,凝练出点云质量增强方向所面临的挑战,并对未来的研究趋势进行了展望。此外,本文汇总了涉及的文献及其开源代码,详见链接https://github.com/LilydotEE/Point_cloud_quality_enhancement。