[发明专利]一种基于连续标准化流及对抗精细化网络的点云补全方法

权利要求书

1.一种基于连续标准化流及对抗精细化网络的点云补全方法，其特征在于，包括以下步骤：

S1：将残缺点云X_i输入到基于连续流模型的点云补全网络中，生成残缺点云的完整形状作为粗粒度补全结果X_c；以及

S2：将残缺点云X_i和所述粗粒度补全结果X_c输入到对抗精细化网络中，进一步精细化局部细节，生成具有高质量局部细节的细粒度补全结果X_f。

2.根据权利要求1所述的基于连续标准化流及对抗精细化网络的点云补全方法，其特征在于，其中，步骤S1包括训练阶段和测试阶段，其中：

在训练阶段，将残缺点云X_i和完整点云X_gt分别通过共享权重的编码器Q_φ和Q′_φ编码得到相应的形状表示z和z′，引入损失函数约束二者的形状表示尽可能相似，之后根据残缺点云的形状表示，使用连续标准化流作为生成器学习输入点云X_i到三维高斯分布Y的映射，并计算损失函数重建似然，公式如下：

在测试阶段，将残缺点云X_i通过编码器Q_φ得到形状表示z，根据形状表示使用连续标准化流作为生成器习得映射的拟映射从三维高斯分布Y出发生成完整点云作为粗糙补全结果X_c。

3.根据权利要求1所述的基于连续标准化流及对抗精细化网络的点云补全方法，其特征在于，其中，在步骤S2中，以残缺点云X_i和粗粒度补全结果X_c作为生成器G_a的输入，生成器使用具有边池化层和边反池化层的U形网络(U-Net)作为架构，使用残差模块作为基础模块，残差模块使用自注意力机制可以自适应地提取和聚合不同尺度的局部特征。

4.根据权利要求3所述的基于连续标准化流及对抗精细化网络的点云补全方法，其特征在于，其中，在步骤S2中，所述对抗精细化网络采用倒角距离作为损失函数，对于细粒度补全结果X_f和完整点云真实值X_gt，损失函数公式如下：判别器D_a提取细粒度补全结果X_f和完整点云真实值X_gt相应分块的特征，引入对抗损失辅助倒角距离约束补全结果，其中，对抗损失函数公式如下：