[發明專利]一種基于點的點云幾何有損壓縮重建裝置與方法

在審

• 申請號: 202210031926.1
• 申請日: 2022-01-12
• 公開（公告）號: CN114373023A
• 公開（公告）日: 2022-04-19
• 發明（設計）人: 丁丹丹;章駿騰;劉舸昕
• 申請（專利權）人: 杭州師范大學
• 主分類號: G06T9/00
• 分類號: G06T9/00;G06T17/00;G06T5/00;G06N3/04;G06N3/08;G06V10/44;G06V10/82
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱亞冠

1.一種基于點的點云幾何有損壓縮重建裝置，其特征在于：包括編碼模塊和解碼模塊；

所述編碼模塊，包括依次級聯的下采樣模塊、特征提取模塊、第一特征增強模塊、熵編碼模塊；所述第一特征增強模塊利用自注意力機制對特征提取模塊的輸出數據進行增強后聚合成全局特征；

所述解碼模塊，包括依次級聯的特征恢復模塊、第二特征增強模塊、坐標恢復模塊、坐標細化模塊；所述第二特征增強模塊利用自注意力機制對特征恢復模塊的輸出數據進行增強；

所述自注意力機制為：將輸入特征分別經過三個線性層變換成Query、Key和Value的表示；然后，將Query和轉置后的Key相乘得到自注意力得分，并經過Softmax層激活；最后，將激活后的結果與Value相乘，得到增強的特征。

2.如權利要求1所述一種基于點的點云幾何有損壓縮重建裝置，其特征在于：所述編碼模塊中下采樣模塊，使用最遠點采樣法將數量為P的原始點云下采樣為數量為M的點云；

所述特征提取模塊，利用K最近鄰法對每個點云中的點構建對應的鄰居，然后使用神經網絡對鄰居的特征進行變換；最后采用最大池化法聚合特征，得到每個點維度為M×C的局部特征；

所述第一特征增強模塊利用自注意力機制對特征提取模塊的輸出數據進行增強后聚合成維度為1×C的全局特征；

熵編碼模塊，利用熵編碼對維度為1×C的全局特征進行壓縮。

3.如權利要求1所述一種基于點的點云幾何有損壓縮重建裝置，其特征在于：所述解碼模塊中特征恢復模塊采用一個反卷積塊，將壓縮后的全局特征的維度由1×C恢復成N×C的點云特征；

第二特征增強模塊利用與所述第一特征增強模塊相同的自注意力機制對維度為N×C的恢復后點云特征進行增強；

坐標恢復模塊利用多層感知機，將維度為N×C的增強后的點云特征恢復成維度為N×3的點云坐標；

坐標細化模塊將第二特征增強模塊得到的恢復后點云特征和坐標恢復模塊得到的點云坐標利用神經網絡生成偏置值；然后將偏置值分別與對應位置的點云坐標相加，得到維度為Q×3的點云坐標，獲得數量為Q的重建點云。

4.一種基于點的點云幾何有損壓縮重建方法，其特征在于包括以下步驟：

步驟(1)、編碼壓縮

獲取點云數據，利用神經網絡提取點云數據的局部特征，然后使用自注意力機制進行增強后聚合成全局特征，最后利用熵編碼實現壓縮；

步驟(2)、解碼重建

對步驟(1)壓縮后的特征進行維度恢復，然后使用與步驟(1)相同的自注意力機制進行局部特征增強，再恢復得到點云坐標；利用神經網絡根據增強后的局部特征與恢復后的點云坐標求取偏置值，并將偏置值與對應位置的恢復后點云坐標相加，得到重建點云。

5.如權利要求4所述一種基于點的點云幾何有損壓縮重建方法，其特征在于：所述步驟(1)具體包括以下步驟：

1.1)使用最遠點采樣法，將數量為P的原始點云下采樣為數量為M的點云；

1.2)利用神經網絡對數量為M的點云進行特征提取，得到維度為M×C的局部特征；

1.3)利用自注意力機制對維度為M×C的局部特征進行增強，然后聚合得到維度為1×C的全局特征；

1.4)利用熵編碼對維度為1×C的全局特征進行壓縮。

6.如權利要求4或5所述一種基于點的點云幾何有損壓縮重建方法，其特征在于：在步驟1.3中，首先通過多個自注意力機制對局部特征進行增強，然后將增強后的特征級聯；再將級聯后的特征經過多層感知機進行變換；最后使用最大池化法將局部特征聚合成全局特征。