[发明专利]一种基于改进的Transformer的秦俑碎块去噪方法

说明书

本发明公开了一种基于改进的Transformer的秦俑碎块去噪方法，包括步骤：1、对秦俑数据的点云样本预处理；2、将预处理的点云样本作为训练集导入输入嵌入模块并映射到高维空间；3、将高维空间点云导入Transformer编码器的自适应下采样模块，用FPS获得相对统一的点作为原始采样点，AS自动学习每个采样点的偏移并更新位置信息从而缩小数据量并保留原点云模型的结构属性；4、将下采样后的结果导入Transformer的编码器模块，通过RA模块增强点云的特征从而实现特征的有效提取；5、以Transformer的解码器的输出作为依据，使用自适应采样方法选择更接近干净点云的点来重建三维表面；6、对导入的数据不断迭代训练直到loss值很小且趋于平稳，得到去噪后的干净点云，对高噪声具有更好的鲁棒性。

技术领域

本发明属于文物保护技术领域，具体是一种基于改进的Transformer的秦俑碎块去噪方法。

背景技术

在文物挖掘保护领域，文物碎块的数字初始化获取受测量设备、外部环境和被测物体表面特性等多种因素影响，扫描获取的初始点云数据模型中往往含有大量的噪声点。这些噪声点的数量越多，对点云质量的影响也就越大，直接影响后期特征提取、配准、曲面重建、可视化等任务的精度和效率。因此，对获取的初始数字化点云数据进行降噪处理是该领域的重要研究内容。

传统的去噪方法中，基于曲面拟合的点云数据去噪方法首先将物体的三维扫描点云数据进行表面拟合,然后计算各点至拟合表面的距离,最后根据一定的准则删除点云数据的粗差或异常值,达到点云数据去噪的目的。这是一种简单有效的估计方法,但精确度不高,尤其对于复杂模型和含有噪声的模型存在较大的计算误差；基于稀疏表示理论的一种移动鲁棒主成分分析方法中，通过局部平均计算点的估计位置，用加权最小化方法保留尖锐特征，利用权重测量局部邻域中的法向矢量之间的相似性来更新点的位置进行消噪。但当噪声水平较高时，由于过度平滑或过度锐化，性能往往会下降。

近年来，以深度学习为代表的人工智能方法取得了一系列重要突破，收到了前所未有的关注。PointNet为直接在点云上应用深度学习模型进行特征学习开创了先河，为保证置换不变性，该方法将归一化旋转矩阵施加在点云上，导致点过于独立；为实现顺序无关性，该网络用全局池化操作对所有点云数据进行全局特征提取，但这样会忽视点之间的几何相关性，导致丢失一部分局部特征信息；一些基于PointNet的改进网络，如pointnet++、Neural Projection神经投影，PointCleanNet和Total Denoising等考虑了点的局部特性，用于提高模型性能。这些方法可以推断噪声距潜在表面的位移并重建点，但这些点并未指定用于明确恢复表面，可能导致次优的去噪结果。

发明内容

针对现有技术存在的不足，本发明的目的是提供一种基于改进的Transformer的秦俑碎块去噪方法，有助于学习噪声点云的潜在流形并捕获固有结构用于恢复表面进行流形重建，对高噪声具有更好的鲁棒性。

为了实现上述目的，本发明采用以下技术方案予以实现：

一种基于改进的Transformer的秦俑碎块去噪方法，包括如下步骤：

步骤1、对秦俑数据的点云样本进行预处理从而实现数据增强和标注处理；

步骤2、将预处理后的点云样本全部作为训练集，并分批导入输入嵌入模块并映射到高维空间；

步骤3、将高维空间的点云导入改进后的Transformer编码器中的自适应下采样模块，先用最远点采样算法FPS获得相对统一的点作为原始采样点，再用自适应邻域采样算法AS自动学习每个采样点的偏移并更新采样点位置信息，从而缩小数据量并保留原点云模型的结构属性；

步骤4、将下采样后的结果导入经过改进的Transformer的编码器模块，通过点云的相对注意力RA模块增强点云的特征从而实现特征的有效提取；