点云超分辨率的模型搭建与特征补充

点云数据在工程中有着广泛应用,由于设备精度不足、环境存在噪声等原因,实际场景获取的点云数据部分区域点数较少,会造成一定的信息丢失。在尽可能保留三维物体表面特征的前提下,点云超分辨率技术能对点云进行上采样,生成点数更多的高分辨率点云。基于MPU神经网络模型,重新建立了点云超分辨率的前向传播流程,包含特征提取、特征扩充、坐标重建三个步骤,通过在提取特征时添加特征补充模块,进一步提升了深层特征的表征能力。实验表明,所设计的模型与主流网络相比能取得较高的性能指标,添加的特征补充信息对模型超分辨率效果的提升有着积极作用。

基于图卷积网络的彩色点云超分辨率

目前已有的点云超分辨率方法只是利用点云的几何信息对点云的坐标进行重建,没有考虑到与几何结构相关的颜色属性并对颜色信息进行超分辨率。本文联合使用点云的几何信息和颜色信息,通过双流的图卷积网络同时重建出点云的坐标和颜色,并且使用基于图卷积的判别网络来提高重建点云的质量。在图卷积网络中,本文使用多属性联合的图卷积,将多属性特征相似的点构成局部图,增强了局部图中节点的关联性,扩展了局部图卷积操作的上下文信息范围。本文还提出了基于结构的局部-全局几何约束和基于几何信息的点云颜色约束,有效地提高了点云坐标和颜色的重建质量。