[發明專利]一種基于改進的Transformer的秦俑碎塊去噪方法

在審

• 申請號: 202211133859.0
• 申請日: 2022-09-19
• 公開（公告）號: CN115456900A
• 公開（公告）日: 2022-12-09
• 發明（設計）人: 徐雪麗;耿國華;王紅珍;王敬禹;周明全;曹欣
• 申請（專利權）人: 西北大學;延安大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06V10/764;G06V10/774
• 代理公司: 西安眾和至成知識產權代理事務所(普通合伙) 61249
• 代理人: 李乃娟

本發明公開了一種基于改進的Transformer的秦俑碎塊去噪方法，包括步驟：1、對秦俑數據的點云樣本預處理；2、將預處理的點云樣本作為訓練集導入輸入嵌入模塊并映射到高維空間；3、將高維空間點云導入Transformer編碼器的自適應下采樣模塊，用FPS獲得相對統一的點作為原始采樣點，AS自動學習每個采樣點的偏移并更新位置信息從而縮小數據量并保留原點云模型的結構屬性；4、將下采樣后的結果導入Transformer的編碼器模塊，通過RA模塊增強點云的特征從而實現特征的有效提取；5、以Transformer的解碼器的輸出作為依據，使用自適應采樣方法選擇更接近干凈點云的點來重建三維表面；6、對導入的數據不斷迭代訓練直到loss值很小且趨于平穩，得到去噪后的干凈點云，對高噪聲具有更好的魯棒性。

技術領域

本發明屬于文物保護技術領域，具體是一種基于改進的Transformer的秦俑碎塊去噪方法。

背景技術

在文物挖掘保護領域，文物碎塊的數字初始化獲取受測量設備、外部環境和被測物體表面特性等多種因素影響，掃描獲取的初始點云數據模型中往往含有大量的噪聲點。這些噪聲點的數量越多，對點云質量的影響也就越大，直接影響后期特征提取、配準、曲面重建、可視化等任務的精度和效率。因此，對獲取的初始數字化點云數據進行降噪處理是該領域的重要研究內容。

傳統的去噪方法中，基于曲面擬合的點云數據去噪方法首先將物體的三維掃描點云數據進行表面擬合,然后計算各點至擬合表面的距離,最后根據一定的準則刪除點云數據的粗差或異常值,達到點云數據去噪的目的。這是一種簡單有效的估計方法,但精確度不高,尤其對于復雜模型和含有噪聲的模型存在較大的計算誤差；基于稀疏表示理論的一種移動魯棒主成分分析方法中，通過局部平均計算點的估計位置，用加權最小化方法保留尖銳特征，利用權重測量局部鄰域中的法向矢量之間的相似性來更新點的位置進行消噪。但當噪聲水平較高時，由于過度平滑或過度銳化，性能往往會下降。

近年來，以深度學習為代表的人工智能方法取得了一系列重要突破，收到了前所未有的關注。PointNet為直接在點云上應用深度學習模型進行特征學習開創了先河，為保證置換不變性，該方法將歸一化旋轉矩陣施加在點云上，導致點過于獨立；為實現順序無關性，該網絡用全局池化操作對所有點云數據進行全局特征提取，但這樣會忽視點之間的幾何相關性，導致丟失一部分局部特征信息；一些基于PointNet的改進網絡，如pointnet++、Neural Projection神經投影，PointCleanNet和Total Denoising等考慮了點的局部特性，用于提高模型性能。這些方法可以推斷噪聲距潛在表面的位移并重建點，但這些點并未指定用于明確恢復表面，可能導致次優的去噪結果。

發明內容

針對現有技術存在的不足，本發明的目的是提供一種基于改進的Transformer的秦俑碎塊去噪方法，有助于學習噪聲點云的潛在流形并捕獲固有結構用于恢復表面進行流形重建，對高噪聲具有更好的魯棒性。

為了實現上述目的，本發明采用以下技術方案予以實現：

一種基于改進的Transformer的秦俑碎塊去噪方法，包括如下步驟：

步驟1、對秦俑數據的點云樣本進行預處理從而實現數據增強和標注處理；

步驟2、將預處理后的點云樣本全部作為訓練集，并分批導入輸入嵌入模塊并映射到高維空間；

步驟3、將高維空間的點云導入改進后的Transformer編碼器中的自適應下采樣模塊，先用最遠點采樣算法FPS獲得相對統一的點作為原始采樣點，再用自適應鄰域采樣算法AS自動學習每個采樣點的偏移并更新采樣點位置信息，從而縮小數據量并保留原點云模型的結構屬性；

步驟4、將下采樣后的結果導入經過改進的Transformer的編碼器模塊，通過點云的相對注意力RA模塊增強點云的特征從而實現特征的有效提取；