【技术实现步骤摘要】
本申请涉及计算机，尤其涉及一种点云的处理方法、装置、存储介质及电子设备。
技术介绍
1、随着科技的发展，人工智能技术不断发展。在计算机图形学以及计算机视觉领域，三维表面生成技术受到广泛关注，基于深度学习技术训练出的三维表面生成模型广泛应用于游戏、自动驾驶等领域。
2、在实际应用中，对生成的目标物的三维表面的真实度以及精准度的要求越来越高。目前，在生成目标物的三维表面时，通常可先基于目标物的三维点云数据提取二维平面特征，进而可通过卷积神经网络或者循环神经网络对二维平面特征进行处理，以生成目标物的三维表面，简单来说目前主要通过卷积神经网络或者循环神经网络生成目标物的三维表面。
3、然而，卷积神经网络以及循环神经网络难以生成具有复杂形状结构的目标物的三维表面，在生成具有复杂形状结构的目标物的三维表面时，往往存在一定的局限性如耗时较长，且易导致生成的三维表面不精确，因此如何生成与目标物真实的形状结构一致的三维表面是重要问题。
4、基于此，本申请说明书提供了一种点云的处理方法。
技术实现思路
1、本说明书提供一种点云的处理方法、装置、存储介质及电子设备，以至少部分的解决现有技术存在的上述问题。
2、本说明书采用下述技术方案：
3、本说明书提供了一种点云的处理方法，三维表面生成模型包括特征提取层、流变换层以及结果预测层；所述方法包括：
4、获取目标物的原始粗略点云；
5、将所述原始粗略点云输入所述特征提取层，以
6、将所述平面特征输入所述流变换层，以使所述流变换层对所述平面特征进行变换，得到变换后的平面特征，并使所述流变换层对所述变换后的平面特征进行去噪，得到去噪后的平面特征；
7、将所述去噪后的平面特征输入结果预测层，得到所述结果预测层输出的所述目标物的最终精准点云。
8、可选地，所述特征提取层包括：具备残差结构的特征编码网络以及u-net神经网络；
9、将所述原始粗略点云输入所述特征提取层，以使所述特征提取层提取所述原始粗略点云在若干平面上的平面特征，具体包括：
10、将所述原始粗略点云输入所述特征编码网络，得到所述原始粗略点云在若干平面上的编码特征；
11、将所述编码特征输入所述u-net神经网络，以使所述u-net神经网络对所述编码特征进行去噪，得到所述原始粗略点云在若干平面上的平面特征。
12、可选地，将所述平面特征输入所述流变换层，具体包括：
13、对所述平面特征进行标准化处理，得到标准化处理后的平面特征；
14、将所述标准化处理后的平面特征输入所述流变换层。
15、可选地，将所述平面特征输入所述流变换层，具体包括：
16、对所述平面特征进行降维处理，得到降维后的平面特征；
17、将所述降维后的平面特征输入所述流变换层。
18、可选地，所述流变换层包括流变换网络以及去噪网络；
19、将所述平面特征输入所述流变换层，以使所述流变换层对所述平面特征进行变换，得到变换后的平面特征，并使所述流变换层对所述变换后的平面特征进行去噪，得到去噪后的平面特征，具体包括：
20、迭代执行：将所述平面特征输入所述流变换网络，以使所述流变换网络基于预设的基准高斯分布以及预设的目标分布，将所述平面特征进行流变换，得到变换后的平面特征；将所述变换后的平面特征输入所述去噪网络，以使所述去噪网络对所述流变换后的平面特征进行去噪，得到去噪后的平面特征；并，将得到的所述去噪后的平面特征作为新的平面特征；
21、将最终得到的去噪后的平面特征作为，将所述平面特征输入所述流变换层之后得到的去噪后的平面特征。
22、可选地，所述去噪网络为稳定扩散模型。
23、可选地，所述三维表面生成模型采用下述方法训练：
24、获取样本点云以及标签点云；
25、将所述样本点云输入所述特征提取层，得到所述特征提取层提取到的所述原始粗略点云在若干平面上的样本平面特征；
26、将所述样本平面特征输入所述流变换层，以使所述流变换层对所述样本平面特征进行变换，得到变换后的样本平面特征，并使所述流变换层对所述变换后的样本平面特征进行去噪，得到去噪后的样本平面特征；
27、将所述去噪后的样本平面特征输入结果预测层，得到所述结果预测层输出的预测点云；
28、根据所述预测点云以及所述标签点云，对初始的三维表面生成模型进行训练。
29、本说明书提供了一种点云的处理装置，三维表面生成模型包括特征提取层、流变换层以及结果预测层；包括：
30、获取模块，用于获取目标物的原始粗略点云；
31、输入模块，用于将所述原始粗略点云输入所述特征提取层，以使所述特征提取层提取所述原始粗略点云在若干平面上的平面特征；
32、变换模块，用于将所述平面特征输入所述流变换层，以使所述流变换层对所述平面特征进行变换，得到变换后的平面特征，并使所述流变换层对所述变换后的平面特征进行去噪，得到去噪后的平面特征；
33、输出模块，用于将所述去噪后的平面特征输入结果预测层，得到所述结果预测层输出的所述目标物的最终精准点云。
34、可选地，所述特征提取层包括：具备残差结构的特征编码网络以及u-net神经网络；
35、所述输入模块具体用于，将所述原始粗略点云输入所述特征编码网络，得到所述原始粗略点云在若干平面上的编码特征；将所述编码特征输入所述u-net神经网络，以使所述u-net神经网络对所述编码特征进行去噪，得到所述原始粗略点云在若干平面上的平面特征。
36、可选地，所述输入模块具体用于，对所述平面特征进行标准化处理，得到标准化处理后的平面特征；将所述标准化处理后的平面特征输入所述流变换层。
37、可选地，所述输入模块具体用于，对所述平面特征进行降维处理，得到降维后的平面特征；将所述降维后的平面特征输入所述流变换层。
38、可选地，所述流变换层包括流变换网络以及去噪网络；
39、所述输入模块具体用于，迭代执行：将所述平面特征输入所述流变换网络，以使所述流变换网络基于预设的基准高斯分布以及预设的目标分布，将所述平面特征进行流变换，得到变换后的平面特征；将所述变换后的平面特征输入所述去噪网络，以使所述去噪网络对所述流变换后的平面特征进行去噪，得到去噪后的平面特征；并，将得到的所述去噪后的平面特征作为新的平面特征；将最终得到的去噪后的平面特征作为，将所述平面特征输入所述流变换层之后得到的去噪后的平面特征。
40、可选地，所述去噪网络为稳定扩散模型。
41、可选地，所述装置还包括训练模块；
42、所述训练模块具体用于，获取样本点云以及标签点云；将所述样本文档来自技高网...
【技术保护点】
1.一种点云的处理方法，其特征在于，三维表面生成模型包括特征提取层、流变换层以及结果预测层；所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述特征提取层包括：具备残差结构的特征编码网络以及U-Net神经网络；
3.如权利要求1所述的方法，其特征在于，将所述平面特征输入所述流变换层，具体包括：
4.如权利要求1所述的方法，其特征在于，将所述平面特征输入所述流变换层，具体包括：
5.如权利要求1所述的方法，其特征在于，所述流变换层包括流变换网络以及去噪网络；
6.如权利要求5所述的方法，其特征在于，所述去噪网络为稳定扩散模型。
7.如权利要求1所述的方法，其特征在于，所述三维表面生成模型采用下述方法训练：
8.一种点云的处理装置，其特征在于，三维表面生成模型包括特征提取层、流变换层以及结果预测层；所述装置具体包括：
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-7任一所述的方法。
10.一种电子设
...【技术特征摘要】
1.一种点云的处理方法，其特征在于，三维表面生成模型包括特征提取层、流变换层以及结果预测层；所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述特征提取层包括：具备残差结构的特征编码网络以及u-net神经网络；
3.如权利要求1所述的方法，其特征在于，将所述平面特征输入所述流变换层，具体包括：
4.如权利要求1所述的方法，其特征在于，将所述平面特征输入所述流变换层，具体包括：
5.如权利要求1所述的方法，其特征在于，所述流变换层包括流变换网络以及去噪网络；
6.如权利要求5所述的方法，其特征在于，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。