针对最远点采样(farthest point sampling,FPS)算法时间复杂度高、无法保留原始模型较多特征信息等问题,提出了一种自适应点云采样(adaptive point cloud sampling,APS)算法。此外,目前三维点云补全算法大多难以保持物体的个体特征。为...针对最远点采样(farthest point sampling,FPS)算法时间复杂度高、无法保留原始模型较多特征信息等问题,提出了一种自适应点云采样(adaptive point cloud sampling,APS)算法。此外,目前三维点云补全算法大多难以保持物体的个体特征。为此,借助于编解码器结构,以多尺度缺损点云为输入,提出了一种新的多尺度点云补全网络(multi-scale point cloud completion network,MPN)。APS首先基于快速点特征直方图(fast point feature histogram,FPFH)计算得到每个点的特征值,再利用幂律函数计算每个点的概率值及累计概率值,最后在累计概率值上进行均匀采样。MPN采用APS对输入的缺损点云进行2次采样,再对3个不同尺度的缺损点云提取特征,最后以金字塔点云生成器(pyramid point cloud generator,PPG)生成缺失部位的点云数据,并在生成器后添加鉴别器以优化网络。实验结果表明,APS较FPS算法能保留更多的特征信息,MPN相比于PF-Net在平均倒角距离指标上提升了12.47%。展开更多
文摘针对最远点采样(farthest point sampling,FPS)算法时间复杂度高、无法保留原始模型较多特征信息等问题,提出了一种自适应点云采样(adaptive point cloud sampling,APS)算法。此外,目前三维点云补全算法大多难以保持物体的个体特征。为此,借助于编解码器结构,以多尺度缺损点云为输入,提出了一种新的多尺度点云补全网络(multi-scale point cloud completion network,MPN)。APS首先基于快速点特征直方图(fast point feature histogram,FPFH)计算得到每个点的特征值,再利用幂律函数计算每个点的概率值及累计概率值,最后在累计概率值上进行均匀采样。MPN采用APS对输入的缺损点云进行2次采样,再对3个不同尺度的缺损点云提取特征,最后以金字塔点云生成器(pyramid point cloud generator,PPG)生成缺失部位的点云数据,并在生成器后添加鉴别器以优化网络。实验结果表明,APS较FPS算法能保留更多的特征信息,MPN相比于PF-Net在平均倒角距离指标上提升了12.47%。
