嵌入注意力机制的并行多尺度点云上采样方法

作者：肖霄; 柏正尧^*; 李泽锴; 刘旭珩; 杜佳锦

来源：计算机科学, 2023, 1-14.

• 3D点云
• 深度学习
• 点云上采样
• 并行多尺度特征提取
• 注意力机制

目前基于深度学习的点云上采样方法缺失对局部区域特征关联性的关注和对全局特征的多尺度提取，导致输出的密集点云存在异常值过多，细粒度不高等问题。为解决上述问题，提出了嵌入注意力机制的并行多尺度点云上采样网络(Parallel multiscale with attention mechanism for point cloud upsampling，PMA-PU)，网络由特征提取器、特征拓展器、坐标细化器和坐标重建器四个模块级联组成。首先给定一个N×3的稀疏点云作为输入，为了获得的点云的全局和局部特征信息，设计了一个嵌入注意力机制的并行多尺度特征提取模块(PMA)将三维空间的点云映射到高维特征空间。其次使用边缘卷积特征拓展器拓展点云特征维度后得到高维点云特征，以更好地保留点云特征的边缘信息，将高维点云特征通过坐标重建器转换回三维空间中。最后使用坐标细化器精细调整输出点云细节。PMA-PU在合成数据集PU1K上对比实验结果表明，生成的密集点云在三个评价指标倒角距离(Chamfer Distance，CD)、豪斯多夫距离(Hausdorff Distance，HD)和P2F(Point-to-Surface)上都有显著提升，分别比性能第二的网络模型优化了7.863%，21.631%，14.686%。可视化结果证明了PMA-PU具有性能更好的特征提取器，能够生成细粒度更高，形状更接近真实值密集密点云。

• 单位
  云南大学