一种基于分片学习策略的点云曲面隐式重建方法技术

本发明专利技术公开了一种基于分片学习策略的点云曲面隐式重建方法。本发明专利技术采用基于分片的曲面表示并训练一种针对三维形状局部符号距离场的点云曲面隐式重建网络；包括以下步骤：以离散点云数据作为输入，采用最远点采样策略以生成初始化面片，计算每个面片内各采样点相对面片中心的偏移值作为采样点相对位置。在神经网络编码器中得到该面片的隐特征，在神经网络解码器中得到各采样点相对位置的形状符号距离值，而位于不同面片重叠区域内的采样点相对位置将进行加权求和得到其相应的符号距离值；利用Marching Cube算法得到三维形状的网格模型。本发明专利技术在重建物体整体形状的同时能很好地保持原有形状的精细细节结构，其对于点云法向和噪声均具有鲁棒性。和噪声均具有鲁棒性。和噪声均具有鲁棒性。

【技术实现步骤摘要】
一种基于分片学习策略的点云曲面隐式重建方法


[0001]本专利技术属于曲面重建
，涉及一种基于分片学习策略的点云曲面隐式重建方法。

技术介绍

[0002]点云曲面重建是计算机图形学和三维视觉的重要问题，其在计算机辅助设计、3D打印、增强现实、混合现实等领域具有广泛应用。传统基于几何的三维重建方法通常易受模型数据本身噪声的影响将导致其重建性能的下降；目前受模型噪声影响较小、重建性能较高的基于深度神经网络的曲面重建方法得到了工业界和学术界的普遍重视。
[0003]基于深度神经网络的曲面重建方法中，针对形状符号距离函数(sign distance function，SDF)或占用场(occupancy field)的学习策略由于是学习一个连续的隐函数场，其能够有效表征具有任意复杂拓扑的物体表面而导致曲面隐式重建方式变得灵活。然而，传统的全局特征提取与学习方法仅使用隐空间中单个隐向量来表征并学习物体整体特征，从而使得其对不同形状的局部特征表征与刻划能力较差并导致重建网络的重建性能并不理想。上述两种典型方法在本质上是利用深度神经网络学习待重建形状的整体形状特征而并没有充分考虑局部形状特征的有效表征和学习，从而在形状表面重建中缺乏形状表面局部细节的生成而容易导致原始形状局部结构信息的缺失、由于采样点稀疏导致精细结构出现断裂等缺陷。
[0004]利用深度神经网络学习三维形状的符号距离场隐式表示通常可以生成具有任意拓扑的形状表面，且在曲面重建时能以任意分辨率提取形状表面；然而，针对形状全局表面隐式场学习的曲面重建中通常缺乏形状表面局部细节的生成，而基于空间体素的三维形状表征与重建则对计算机资源需求极高而导致其难以重建高分辨率三维模型。

技术实现思路

[0005]为了克服点云形状曲面重建中难以保持原始形状局部结构信息的局限性，本专利技术提出一种基于分片学习策略的点云曲面隐式重建方法，基于分片学习策略设计点云曲面隐式重建网络，该网络采用基于分片的曲面表示并训练三维形状的局部符号距离场，针对输入的三维点云模型数据，借助采样点邻域点聚合和全连接点云残差特征解码，在重建点云形状整体结构的同时能很好地保持三维形状的精细细节结构；同时对于点云法向和噪声均具有鲁棒性。
[0006]本专利技术具体包括以下步骤：
[0007]步骤一、以离散点云数据作为输入，首先采用最远点采样策略分别得到表征点云形状球形邻域面片的初始中心位置和半径以生成初始化面片；然后分别计算每个面片内各采样点相对面片中心的偏移值作为采样点相对位置，其中处于重叠区域内的面片采样点将具有多个相对位置。
[0008]步骤二、在神经网络编码器中将各采样点的相对位置坐标编码为256维隐向量，并
对每个形状面片中的采样点隐向量进行最大化操作以表征该面片的隐特征；接着，在神经网络解码器中利用多层全连接残差特征解码模块进行解码以得到各采样点相对位置的形状符号距离值，而位于不同面片重叠区域内的采样点相对位置将进行加权求和得到其相应的符号距离值。
[0009]步骤三、利用Marching Cube算法提取采样点符号距离值的零等值面以得到三维形状的网格模型。
[0010]在神经网络编码器中，为了使得点云重建过程中能更好地利用点云局部特征信息，针对点云数据进行特征编码时，首先利用维度逐渐增大的多层感知机堆叠结构以渐近地编码输入点云的原始局部特征信息，然后利用邻域点聚合层获得包含点云局部邻域信息的点云邻域聚合隐特征。
[0011]在神经网络解码器中，采用多层全连接残差特征解码模块进行解码以得到各采样点相对位置的形状符号距离值；具体地说，该模块采用三层全连接层实现，其中每一层均使用ReLU激活函数并且仅对后两层进行残差学习，即只将第一层的输出与第三层的输出进行合并，从而在保证神经网络训练效率的同时能够利用残差学习防止神经网络训练中的梯度消失、加速神经网络训练的收敛性。
附图说明
[0012]图1为本专利技术的点云曲面隐式重建网络结构图；
[0013]图2为图1中编码器结构图；
[0014]图3为图1中解码器结构图；
[0015]图4为实施例中针对不同模型点云数据进行曲面隐式重建的效果示例图；
[0016]图5为实施例中针对不同精细模型点云数据进行曲面隐式重建的效果示例图。
具体实施方式
[0017]下面结合附图对本专利技术的技术方法和点云曲面隐式重建效果作进一步描述和说明。
[0018]如图1所示，一种基于分片学习策略的点云曲面隐式重建方法，具体包括以下步骤：
[0019]步骤一、以离散点云数据作为输入，首先采用最远点采样策略分别得到表征点云形状球形邻域面片的初始中心位置和半径以生成初始化面片；然后分别计算每个面片内各采样点相对面片中心的偏移值作为采样点相对位置，其中处于重叠区域内的面片采样点将具有多个相对位置。
[0020]如图1所示，点云曲面隐式重建网络的原始输入为p1,
…
,p
n
的离散点云数据，首先通过最远点采样策略确定各个面片的初始中心位置c1,c2,
…
,c
30
和对应的面片半径，并在网络训练过程中利用梯度反向传播对该两个面片参数进行优化；接着，分别计算每个面片内各采样点相对面片中心的偏移值作为采样点相对位置，如采样点p
i
相对于面片中心c1的相对位置为c1p
i
，其中处于重叠区域内的面片采样点将具有多个相对位置(例如采样点p
k
相对于面片中心c1和c2分别有两个相对位置c1p
k
和c2p
k
)；然后利用如下步骤中的神经网络编码器得到面片隐特征，再利用神经网络解码器得到各采样点相对位置的形状符号距离值f
(c
i
p
k
)，最后进行加权求和得到其相应的符号距离值f(p
k
)，其中k＝1,2,3,
…
,n。
[0021]步骤二、在神经网络编码器中将各采样点的相对位置坐标编码为256维隐向量，并对每个形状面片中的采样点隐向量进行最大化操作以表征该面片的隐特征；接着，在神经网络解码器中利用多层全连接残差特征解码模块进行解码以得到各采样点相对位置的形状符号距离值，而位于不同面片重叠区域内的采样点相对位置将进行加权求和得到其相应的符号距离值。
[0022]步骤三、最后利用Marching Cube算法提取采样点符号距离值的零等值面以得到三维形状的网格模型。
[0023]如图2所示，在神经网络编码器中，针对点云数据进行特征编码时，首先利用维度逐渐增大的多层感知机堆叠结构以渐近地编码输入点云的原始局部特征信息，然后利用邻域点聚合层获得包含点云局部邻域信息的点云邻域聚合特征。具体地说，编码器的输入为三维点云形状N个离散采样点坐标信息，首先通过三层感知机(64,128,256)得到N
×
256维点云局部特征信息；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分片学习策略的点云曲面隐式重建方法，其特征在于：具体包括如下步骤：步骤一、以离散点云数据作为输入，首先采用最远点采样策略分别得到表征点云形状球形邻域面片的初始中心位置和半径以生成初始化面片；然后分别计算每个面片内各采样点相对面片中心的偏移值作为采样点相对位置坐标，其中处于重叠区域内的面片采样点将具有多个相对位置；步骤二、在神经网络编码器中将各采样点的相对位置坐标编码为256维隐向量，并对每个形状面片中的采样点隐向量进行最大化操作以表征该面片的隐特征；接着，在神经网络解码器中利用多层全连接残差特征解码模块进行解码以得到各采样点相对位置的形状符号距离值，而位于不同面片重叠区域内的采样点相对位置将进行加权求和得到其相应的符号距离值；步骤三、利用Marching Cube算法提取采样点符号距离值的零等值面以得到三...

【专利技术属性】
技术研发人员：缪永伟，刘复昌，张跃耀，范然，
申请(专利权)人：杭州师范大学，
类型：发明
国别省市：