[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

说明书

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，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。本发明通过提出两个子网络基于流模型的点云补全网络和对抗精细化网络逐步生成具有精细化细节的点云补全结果，从而提高补全质量。

技术领域

本发明的技术领域涉及三维点云补全、连续标准化流和生成对抗网络，特别地涉及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。

背景技术

随着计算机视觉领域的高速发展，三维数据的处理也受到广泛关注。相比于平面图像，三维数据可以全方位记录现实场景，储存更多的信息，同时避免了二维图像中的视点遮蔽问题，方便用户多角度观察。

点云是坐标系下的点的数据集，包含了丰富的信息，如三维坐标、颜色、强度值、时间等。点云在三维空间中保留了原始的几何信息，是许多三维数据采集设备的原始输出，并且十分简洁灵活,是三维数据的重要表示形式。

然而，由于有限的视角、遮挡、传感器分辨率等因素，现实世界中的点云数据往往是不完整的。由三维激光扫描仪采集得到的原始点云数据通常会出现数据点的稀疏和部分区域的缺失，极大阻碍了自动驾驶、场景理解和增强现实等下游应用。因此，补全残缺点云以获得高质量完整点云至关重要。

现有的基于深度学习的点云补全方法往往倾向于补全点云的整体形状，而补全局部细节的能力不足。此外，现有点云补全方法倾向于补全整体形状而缺失局部细节，一般现有方法依赖于没有概率保证的点集距离作为损失函数，而常见的点集距离如倒角距离约束精细化细节的能力不足，往往会进一步导致局部细节的缺失。

发明内容

本发明提出了基于连续标准化流及对抗精细化网络的点云补全方法，可以有效补全残缺点云，补偿结构损失，生成具有精细局部细节的高质量补全结果。

本发明的技术方案如下：

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，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。

优选的，在上述基于连续标准化流及对抗精细化网络的点云补全方法中，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。