基于改进隐函数的点云物体重建

摘要：

利用隐函数对非结构化点云进行物体重建,具有不受拓扑结构和分辨率限制的特点,但是存在重建物体结构不准确、缺乏局部细节等问题.为此,提出一种样条编码和长短期记忆(LSTM)网络相结合的改进点云物体重建算法.针对重建物体缺乏局部细节的问题,提出一种增强细节表示能力的样条编码模块,采用均匀二次B样条提取点云的局部位置特征信息.为了提高隐函数的重建准确率,设计LSTM点云预测模块,挖掘点云潜在的空间结构信息,利用包含空间相关性的动态权重自适应地预测靠近物体表面的点云,进一步提高隐式重建的准确率.为提高点云预测的合理性,引入点云变形损失和结构排斥损失,用于优化预测点云的整体结构.在2个公开的三维模型数据集ShapeNet和ABC上进行实验验证,结果表明,该算法的倒角距离分别为0.009%和0.427%,与DeepSDF、CurrSDF和MetaSDF算法相比,所提算法能够重建出更丰富的细节特征,获得更准确的重建结果及良好的视觉效果;在真实世界数据集Pix3D上的实验结果表明,该算法相较对比算法具有更优的泛化性能.

关键词：点云重建、隐式重建、深度学习、样条编码、长短期记忆网络

所属期刊栏目：49

分类号：TP391(计算技术、计算机技术)

资助基金：河北省自然科学基金F2019202387

在线出版日期：2023-07-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：214-222