一种基于深度学习的保留密度的点云压缩方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114286103A(43)申请公布日2022.04.05(21)申请号202111597535.8(22)申请日2021.12.24(71)申请人复旦大学地址200433上海市杨浦区邯郸路220号(72)发明人付彦伟贺蕴任新麟唐丹航张寅达薛向阳(74)专利代理机构上海德昭知识产权代理有限公司31204代理人程宗德(51)Int.Cl.H04N19/189(2014.01)H04N19/91(2014.01)H04N19/597(2014.01)权利要求书2页说明书6页附图3页(54)发明名称一种基于深度学习的保留密度的点云压缩方法(57)摘要本发明提供一种基于深度学习的保留密度的点云压缩方法，用于在点云压缩过程中保留原始点云的密度从而生成高质量的重建点云，其特征在于，包括如下步骤：步骤S1，对预先获取的点云数据进行预处理从而得到训练样本；步骤S2，构建用于提取点云数据的几何信息与密度信息的编码器，并基于编码器获取点云特征；步骤S3，采用熵编码器对点云特征进行压缩；步骤S4，构建用于对点云特征进行上采样的解码器；步骤S5，构建损失函数；步骤S6，基于训练样本对由编码器、熵编码器以及解码器组成的点云压缩模型采用损失函数进行训练；步骤S7，将点云数据输入至训练好的点云压缩模型从而实现保留原始点云密度的点云压缩。CN114286103ACN114286103A权利要求书1/2页1.一种基于深度学习的保留密度的点云压缩方法，用于在点云压缩过程中保留原始点云的密度从而生成高质量的重建点云，其特征在于，包括如下步骤：步骤S1，对预先获取的点云数据进行预处理从而得到训练样本；步骤S2，构建用于提取所述点云数据的几何信息与密度信息的编码器，并基于所述编码器获取点云特征；步骤S3，采用熵编码器对所述点云特征进行压缩；步骤S4，构建用于对所述点云特征进行上采样的解码器；步骤S5，构建损失函数；步骤S6，基于所述训练样本对由所述编码器、所述熵编码器以及所述解码器组成的点云压缩模型采用所述损失函数进行训练；步骤S7，将所述点云数据输入至训练好的所述点云压缩模型从而实现点云压缩。2.根据权利要求1所述的一种基于深度学习的保留密度的点云压缩方法，其特征在于：其中，所述点云数据为点云的三维点坐标，所述预处理为将所述点云数据进行归一化处理，对归一化后的所述点云切分为不重合的小块。3.根据权利要求1所述的一种基于深度学习的保留密度的点云压缩方法，其特征在于：其中，所述步骤S2包括以下子步骤：步骤S2‑1，采用最远点采样对所述点云进行多阶段地下采样，对于每个阶段下采样后点云中的每个点，寻找每个阶段对应的收缩点集；步骤S2‑2，采用密度嵌入与位置嵌入分别表征当前阶段收缩点集的密度信息与几何信息，同时采用祖先嵌入表征之前阶段收缩点集的密度信息与几何信息；步骤S2‑3，将所述密度嵌入、所述位置嵌入以及所述祖先进行嵌入融合获取所述点云特征。4.根据权利要求3所述的一种基于深度学习的保留密度的点云压缩方法，其特征在于：其中，所述收缩点集的寻找过程为：对于每个下采样阶段，每个丢弃的点都会收缩到离它最近的保留下来的下采样点上，从而每个下采样点都会形成一个收缩点集。5.根据权利要求3所述的一种基于深度学习的保留密度的点云压缩方法，其特征在于：其中，所述密度嵌入为对于每个阶段的下采样点，计算其收缩点集内的点数，所述位置嵌入为对于每个阶段的下采样点，计算其收缩点集内的点到其本身的方向与距离，基于注意力机制将所述收缩点集内的方向与距离信息融合，所述祖先嵌入为在每个阶段的之前阶段所提取到的密度信息以及几何信息。6.根据权利要求1所述的一种基于深度学习的保留密度的点云压缩方法，其特征在于：其中，所述熵编码器包括量化操作与算术编码，在训练过程中，所述量化操作替换为加入随机噪声以实现梯度的反向传播。7.根据权利要求1所述的一种基于深度学习的保留密度的点云压缩方法，其特征在于：其中，所述步骤S4包括以下子步骤：步骤S4‑1，基于预定义的最大上采样倍数U，构建尺度自适应的上采样模块来对下采样后的点云进行上采样，得到候选点云与候选特征；2CN114286103A权利要求书2/2页步骤S4‑2，基于上采样倍数预测分支预测实际的上采样倍数，并以此来选取所述候选点云与所述候选特征，从而形成最终的上采样结果。8.根据权利要求7所述的一种基于深度学习的保留密度的点云压缩方法，其特征在于：其中，所述上采样模块采用亚点卷积进行点坐标上采样以及特征上采样，所述亚点卷积为基于所述预定义的最大上采样倍数U，在通道维度上将输入特征进行分组，针对每组特征使用独立的卷积，并将卷积后的结果变形为需要的尺寸，所述点坐标上采样为：对单位球表面均匀采样得