一种基于神经隐式函数的任意分辨率点云上采样方法技术

本发明专利技术提出了一种基于神经隐式函数的点云上采样方法，以克服现有上采样技术的局限性并生成任意分辨率的点云数据。该方法首先训练神经隐式函数以在点云数据集的配对样本之间建立映射，然后使用训练好的神经隐式函数对低分辨率点云进行上采样，生成高分辨率点云。此外，该方法还通过使用优化算法调整生成的高分辨率点云，以最小化原始点云与生成点云之间的误差。通过这种方法，可以生成高质量的点云数据，同时提高处理效率，适用于需要进行点云处理的各种场景，如自动驾驶、游戏开发和虚拟现实等。实等。实等。

【技术实现步骤摘要】
一种基于神经隐式函数的任意分辨率点云上采样方法


[0001]本专利技术涉及点云处理
，特别是关于利用神经隐式函数进行任意分辨率的点云上采样方法。

技术介绍

[0002]点云数据是一种常见的三维数据形式，广泛应用于自动驾驶、游戏开发、虚拟现实等领域。然而，由于采集设备的限制，获取的点云数据往往分布稀疏，缺乏足够的详细信息。因此，增加点云的密度，即上采样，是必要的处理步骤。
[0003]传统的点云上采样方法，如基于插值的方法，无法生成高质量的点云数据，且处理效率低下。因此，寻求一种高效、高质量的任意分辨率的点云上采样方法成为了迫切的需求。
[0004]虽然传统的上采样方法和基于深度学习的方法都可以用来进行点云的上采样，但由于点云的稀疏性和不规则性，传统方法往往不能取得很好的效果。虽然基于深度学习的方法可以更好地捕捉非规则结构的特征，进行高质量的上采样，但这种方法通常需要端到端的训练和使用，所以很难实现任意倍率的上采样。
[0005]现有的基于深度学习的方法有两种实现不同倍率上采样的方式：一种是预设上采样倍率，构建相应的训练数据和网络，并进行单独训练；另一种是准备多种不同倍率的数据，训练一个网络，使其能在给定的倍率范围内进行上采样。然而，这两种方法都有其局限性。因此，当前的技术仍有改进和发展的空间。

技术实现思路

[0006]考虑到现有点云上采样方法的局限性，本专利技术提出了一种基于神经隐式函数的点云上采样方法。首先，通过神经隐式函数对原始点云进行建模，得到隐式表达模型。然后，根据需要的分辨率，对隐式表达模型进行采样，生成高质量的点云数据。该方法克服了传统上采样方法的局限性，可以生成任意分辨率的点云数据，且处理效率高。本专利技术具体是这样实现的：
[0007]一种基于神经隐式函数的任意分辨率点云上采样方法，包含以下步骤：
[0008]a)训练神经隐式函数，使其在给定点云数据集的配对样本之间建立映射；
[0009]b)使用训练好的神经隐式函数对低分辨率点云进行上采样，生成高分辨率点云；
[0010]c)使用优化算法调整生成的高分辨率点云，以最小化原始点云与生成点云之间的误差。
[0011]上述的一种基于神经隐式函数的任意分辨率点云上采样方法，步骤a)包括：
[0012]a1)、将原始的稀疏点云模型分割成相互重叠的Patch；
[0013]a2)、将Patch送入预定义的点云局部特征提取网络提取点云的局部深层次几何特征；
[0014]a3)、将提取的局部点云特征与给定的查询点拼接送入神经网络结构，配合损失函
数与优化算法训练神经隐式函数。
[0015]进一步地，步骤b)包括：
[0016][0017]b1)、使用训练好的神经隐式函数，对低分辨率点云的每个点进行评估，生成其对应的高分辨率点云；
[0018]b2)、对生成的高分辨率点云进行适当的裁剪和重采样，以满足预定的规模和密度要求。
[0019]进一步地，步骤c)包括：
[0020]c1)、定义一个优化目标，该目标是使生成的高分辨率点云与原始点云在形状和细节上尽可能接近；
[0021]c2)、使用优化算法，如梯度下降或其它适合的算法，对生成的高分辨率点云进行调整，以最小化优化目标。
[0022]本专利技术的有益效果如下：
[0023]本专利技术提出的基于神经隐式函数的点云上采样方法，能够生成高质量的点云数据，从而提高三维视觉任务的性能和精度。且本专利技术的方法通过对隐式表达模型进行采样，可以灵活地生成任意分辨率的点云数据，满足各种应用场景的需求。通过这种方式，我们可以获得详细且密集的点云表示，从而进一步提高三维视觉应用的质量。相比于传统的基于插值的上采样方法，本专利技术的方法利用神经隐式函数进行上采样，处理效率高，能够满足大规模点云数据处理的需求。
[0024]总的来说，本专利技术提供了一种新颖、高效、高质量的点云上采样方法，不仅能够生成任意分辨率的点云数据，且处理效率高，能够满足广泛的三维视觉应用需求。
附图说明
[0025]附图1：本专利技术实施中基于神经隐式函数的任意分辨率点云上采样方法的流程图。
[0026]附图2：本专利技术实施中的16x点云上采样结果示意图。
具体实施方式
[0027]下面结合附图对本专利技术具体实施方式作进一步详细描述。
[0028]该具体实施方式下的一种基于神经隐式函数的任意分辨率点云上采样方法，流程图如图1所示，该方法包括以下步骤：
[0029]步骤1：准备数据
[0030]首先，我们需要准备一个点云数据集，这个数据集应该包含大量的点云样本，这些样本可以来自于各种源，如激光扫描仪、立体摄像机、深度摄像机或其他适合的设备。我们将原始的稀疏点云模型分割成相互重叠的Patch作为训练神经隐式函数的输入。
[0031]步骤2：训练神经隐式函数
[0032]将划分好的Patch被送入预定义的点云局部特征提取网络提取点云的局部深层次几何特征。然后，我们将提取的局部点云特征与给定的查询点拼接送入神经网络结构，配合损失函数与优化算法训练神经隐式函数。通过这个过程，神经隐式函数能够在给定点云数据集的配对样本之间建立映射。
[0033]步骤3：点云上采样
[0034][0035]一旦神经隐式函数被训练好，我们就可以使用它对低分辨率点云进行上采样，生成高分辨率点云。具体来说，我们使用训练好的神经隐式函数，对低分辨率点云的每个点进行评估，生成其对应的高分辨率点云。然后，我们对生成的高分辨率点云进行适当的裁剪和重采样，以满足预定的规模和密度要求。
[0036]步骤4：点云上采样结果优化
[0037]我们定义一个优化目标，该目标是使生成的高分辨率点云与原始点云在形状和细节上尽可能接近。然后，我们使用优化算法，如梯度下降或其它适合的算法，对生成的高分辨率点云进行调整，以最小化优化目标。
[0038]以上就是本专利技术的具体实施方式。这种方法可以生成任意分辨率的点云数据，且处理效率高，能够克服传统上采样方法的局限性。
[0039]最后，图2中给出了本专利技术16倍点云上采样结果的可视化模型。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经隐式函数的任意分辨率点云上采样方法，其特征在于，包含以下步骤：a)训练神经隐式函数，使其在给定点云数据集的配对样本之间建立映射；b)使用训练好的神经隐式函数对低分辨率点云进行上采样，生成高分辨率点云；c)使用优化算法调整生成的高分辨率点云，以最小化原始点云与生成点云之间的误差。2.根据权利要求1所述的一种基于神经隐式函数的任意分辨率点云上采样方法，其特征在于，步骤a)包括：a1)、将原始的稀疏点云模型分割成相互重叠的Patch；a2)、将Patch送入预定义的点云局部特征提取网络提取点云的局部深层次几何特征；a3)、将提取的局部点云特征与给定的查询点拼接送入神经网络结构，配合损失函数与优化算法训练神经隐式函数。3.根据权利要求1或2所述的一种基于神经隐式函数的任意分辨率点云上采样方法，其特征在于，步骤b)包括：b1)、使用训练好的神经隐式函数，对低分辨率点云的每个点进行评估，生成其对应的高分辨率点云；b2)、对生成的高分辨率点云进行适当的裁剪和重采样，以满足预定的规模和密度要求。4.根据权利要求3所述的一种基于神经隐式函数的任意分辨率点云上采样方法，其特征在于，步骤c)包括：c1)、定义一个优化目标，该目标是使生成的高分辨率点云与原始点云在形状和细节上尽可能接...

【专利技术属性】
技术研发人员：李金，李冀，章小兵，罗笑南，
申请(专利权)人：桂林慧谷人工智能产业技术研究院，
类型：发明
国别省市：