一种基于GAN网络的点云上采样方法技术

本发明专利技术公开一种基于GAN网络的点云上采样方法，主要由Generator生成器和Discriminator判别器组成GAN网络，来进行点云上采样。Generator生成器由环状排列、多频率池化、GRU网络模块构成，可以有效地学习点云中每个点的几何特征和全局特征，从而更好地掌握输入点云的几何信息。Discriminator判别器由两层特征提取器和反卷积网络模块构成，可以判别输入点云的真假，帮助更好的优化GAN网络。其中，通过环状排列，可以将无序的点邻域通过正交投影、逆时针排列方式安排成有序的环状结构，通过多频率池化可以准确提取每个点不同组邻域的几何特征。本方法可以应用于三维点云重建的预处理步骤中。

【技术实现步骤摘要】
一种基于GAN网络的点云上采样方法
本专利技术属于计算机视觉三维图像邻域，具体的说是包含3D点云特征学习、点生成并进行真假判断的基于GAN网络的点云上采样框架。
技术介绍
三维图像是三维空间的一种表达形式，包含几何模型、深度图和点云等。其中，点云是一类由三维激光扫描仪等扫描设备获取的海量点数据集合，它可以完整地保存模型的几何信息，不需要任何离散处理，而且表示也十分简单，仅仅包含点的基本属性，如坐标、法向量等，由于使用方便，它被越来越多地应用到了三维重建、逆向工程、无人驾驶等领域。在这些领域中，三维重建占据着重要的地位。三维重建是指对三维空间中的物体建立适合计算机表示和处理的数学模型,为后序的分析、理解、处理模型做基础，同时可以更好地表达真实世界。传统的重建方法有：3D建模、几何PCL处理等，这一块的研究已经很成熟，近些年来，由于深度学习在二维图像的分类、超分辨率等方面上大获成功，事实证明它提取图像特征的能力非常强，所以如何使用深度学习来处理三维重建工作成为了研究热点。但是，使用深度学习来处理点云是非常具有挑战性的。在数据采集的过本文档来自技高网...

【技术保护点】
1.一种基于GAN网络的点云上采样方法，其特征在于，所述GAN网络由Generator生成器和Discriminator判别器组成，Generator生成器由环状排列模块、多频率池化模块、GRU网络模块构成；Discriminator判别器由反卷积网络和两层特征提取器构成；具体包括以下步骤：/nGenerator生成器中：/n步骤101：输入稀疏点云模型，并且对稀疏点云模型中的每个点使用CNN卷积网络进行初始局部特征学习；/n步骤102：使用环状排列模块，将每个点拥有的多组邻域，从无序的点安排成有序的环状结构；/n步骤103：使用多频率池化模块，基于已有邻域点的局部特征，捕捉每个点不同组邻域的...

【技术特征摘要】
1.一种基于GAN网络的点云上采样方法，其特征在于，所述GAN网络由Generator生成器和Discriminator判别器组成，Generator生成器由环状排列模块、多频率池化模块、GRU网络模块构成；Discriminator判别器由反卷积网络和两层特征提取器构成；具体包括以下步骤：
Generator生成器中：
步骤101：输入稀疏点云模型，并且对稀疏点云模型中的每个点使用CNN卷积网络进行初始局部特征学习；
步骤102：使用环状排列模块，将每个点拥有的多组邻域，从无序的点安排成有序的环状结构；
步骤103：使用多频率池化模块，基于已有邻域点的局部特征，捕捉每个点不同组邻域的几何特征，因为每组邻域具有它独特的几何结构，所以使用不同的池化方式进行几何特征的学习；
步骤104：通过使用GRU网络模块对每个点的所有邻域的几何特征进行混合和更新，获得每个点整体的全局特征；
步骤105：分别将每个点每组邻域的几何特征和全局特征连接起来，并且添加latentcode潜在码增加差异，组合出每组邻域的混合特征；
步骤106：最后通过三层反卷积网络将每个点的所有组混合特征从特征空间映射回三维坐标空间，获得上采样点云；
Discri...

【专利技术属性】
技术研发人员：陶文源，伍凯珍，翁仲铭，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12