论文部分内容阅读
随着深度照相机和三维激光雷达扫描仪等三维数据采集设备的快速发展,三维点云作为真实世界场景的数据表达也逐渐被应用到计算机视觉领域中。与三维点云相关的研究主要分为三维点云去噪,三维点云分类,三维点云实例分割,三维点云语义分割四大类。其中,三维点云去噪是三维点云数据后续应用的数据基础。因此,研发去噪能力强的三维点云去噪算法是当前三维点云数据后续应用的关键,这也逐渐成为三维点云研究中一个越来越重要的研究课题。现有的三维点云去噪算法可以分为两类,分别是传统算法和神经网络算法。然而,当前的这两种算法都存在一定的局限性。传统算法通过人工设计的算子对三维点云的特征进行提取。基于人工设计的算子对特征进行提取的算法主要分为基于局部几何特征的,基于全局几何特征的,基于局部和全局几何特征这两种特征的三种类别。这种基于三维点云几何特征进行特征提取的算法需要尽可能多的考虑到三维点云模型的几何属性。然而,在实际应用中如何对三维点云模型进行尽可能多层次的几何特征提取对算法的性能影响较大,这一点使得算法的不稳定性大大增加。基于深度学习的神经网络方法通过对三维点云数据的大规模训练对三维点云直接或潜在的特征进行学习。这种基于大规模训练的神经网络方法具有较强的泛化能力,适用于大规模不同种类的三维点云输入。然而,三维点云本身存在的结构不规整的特性使得当前的网络在三维点云的特征提取上效果不甚理想,使得现有的深度学习方法的去噪精度仍然具有较大的提升空间。为解决上述问题,本文提出了一种新颖的神经网络结构:带有注意力模块的特征提取-压缩网络ESANet(extract-squeeze network with attention block)。ESANet包含四个模块:通道注意力模块,特征编码模块,瓶颈模块,特征解码模块。首先,利用特征编码模块对输入的三维点云单个点及其邻域点的特征进行提取和融合。其次,将通道注意力模块嵌入到特征编码模块和特征解码模块中分别对编码特征和解码特征进行特征加权。然后,通过瓶颈模块对编码特征进行初步的特征提取和恢复。最后,使用特征解码模块对编码特征进行特征解码恢复。ESANet对现有的三维点云去噪网络提出了三点改进。(1)本文引入了一个通道注意力模块并将其嵌入到ESANet中。通道注意力模块被用于提取三维点云中各个特征通道的权重,使得ESANet提取的特征更加逼近真实的三维点云特征。并且,由于通道注意力模块可以抓取对三维点云去噪任务影响较大的特征通道的权重,ESANet可以对这些较为关键的特征通道进行学习从而提升网络的去噪性能。(2)本文提出了一种多尺度局部特征拼接策略用于对三维点云在多个尺度下的局部特征进行拼接,从而降低在特征编码过程中产生的特征损失对最终去噪结果的影响。多尺度拼接策略将特征编码模块中提取的三维点云在多个尺度下的局部特征进行了充分的利用,使得ESANet充分提取了输入的三维点云的直接以及潜在的特征。(3)为了降低特征解码模块中产生的特征损失对三维点云去噪任务的影响,本文引入了一个基于跳跃连接思想的带有自适应参数的跳跃连接。在ESANet中,带有自适应参数的跳跃连接将特征编码模块中每一阶段的输出作为特征补偿信息自适应地融合到特征解码模块中,以平衡特征解码过程中产生的特征损失对特征恢复的影响。在Model Net20数据集上的实验结果表明,与当前几种具有竞争力的算法相比,ESANet具有更强的去噪能力。