【技术实现步骤摘要】
本专利技术涉及计算机，尤其涉及一种基于注意力融合多尺度特征的解压缩点云质量增强方法。
技术介绍
1、点云作为三维场景的主要表示方式，被视为下一代沉浸式媒体中最为关键的内容之一。点云是在三维空间中稀疏且不规则分布的点的集合。点云中的每个有效点都有其几何坐标，如笛卡尔坐标系中的(x、y、z)，以及相关的属性信息，如rgb颜色、正负和反射率。由于其灵活性和强大的表示能力，点云越来越多地应用于身临其境的通信、机器人、地理信息系统和自动驾驶等领域。
2、点云可根据其表示的内容划分为点云对象和点云场景。点云场景通常通过三维扫描或激光雷达动态获取，涵盖整个环境或场景。而点云对象则表示特定的物体或目标，并进一步分为静态和动态两种。静态点云描述的是单个物体的几何和属性信息，而动态点云除了描述物体的几何和属性信息外，还包括其时间上的变化。本专利技术主要关注静态点云对象。
3、点云的数据大小可能包含多达数千万个点，不利于储存和运输，为此国际标准化组织移动图像专家组(moving picture experts group，mpeg)自2017年以来一直在深入研究和推广高效点云压缩的潜在技术，最终形成了两个规范，即基于几何的点云压缩(g-pcc)和基于视频的点云压缩(vidio-based point cloud compression，v-pcc)。
4、当带宽有限时，必须通过增加量化步长来降低压缩比特率，这可能会导致重建点云中出现几何伪影和属性伪影。压缩后的点云会存在局部模糊或缺失和边缘欠平滑的现象，这些压缩引起
5、当前针对点云压缩伪影的研究主要集中在去除属性伪影，即改善点云中颜色和纹理的表现。然而，几何伪影，即在点云中出现的几何形状的失真或误差，同样会对点云的整体质量产生负面影响。由于几何信息与属性信息密切相关，几何伪影会直接导致属性信息的误差。因此，单纯去除属性伪影不足以显著提升点云的重建质量，几何伪影的去除同样至关重要。此外，在针对点云的研究中，普遍存在局部上下文信息不足的问题，不能有效捕获点云数据中的全局信息和局部信息之间的关联性，限制了点云质量增强的精度和准确性。
技术实现思路
1、本专利技术实施例的主要目的在于提出一种基于注意力融合多尺度特征的解压缩点云质量增强方法，能够提升点云质量增强的精度和准确性。
2、为实现上述目的，本专利技术实施例的一方面提出了一种基于注意力融合多尺度特征的解压缩点云质量增强方法，包括以下步骤：
3、利用原始点云数据和经过压缩算法处理后的压缩点云数据生成所述原始点云数据的基准真值；
4、根据所述基准真值，通过块生成方法将原始点云和压缩点云分割成多个块，得到压缩点云块和基准真实值块；
5、根据所述压缩点云块和所述基准真实值块，构建点云质量增强模型；
6、根据所述点云质量增强模型生成位置优化后的压缩点云块；
7、对各个位置优化后的压缩点云块进行块融合处理，得到位置优化后的目标点云数据。
8、在一些实施例中，所述根据所述基准真值，通过块生成方法将原始点云和压缩点云分割成多个块，得到压缩点云块和基准真实值块，包括以下步骤：
9、根据所述基准真值，分别将所述原始点云数据按空间位置分割成多个大小相等的正方体块，并将每个正方体块内的点归为一块，得到基准真实值块；
10、将所述压缩点云数据按空间位置分割成多个大小相等的正方体块，并将每个正方体块内的点归为一块，得到压缩点云块。
11、在一些实施例中，所述根据所述压缩点云块和所述基准真实值块，构建点云质量增强模型，包括以下步骤：
12、在编码器部分，接收多尺度输入模块生成的输入数据，并进行多尺度特征的提取；其中，编码器的第一层是一个5×5×5的离散卷积层；该过程的表达式为：e0＝conv(mfim(i))，其中，mfim()表示多尺度特征提取单元，conv()表示离散卷积；e0是从输入数据中提取的初始特征；
13、接着使用3×3×3的离散卷积层，以步长为2进行降采样，在下采样过程中，特征维度增加一倍，而点的数量减少，该过程的表达式为：en＝d_conv(en-1)，其中，d_conv()表示对前一层输出的稀疏卷积操作，步长为2；en是每个下采样层的中间输出；
14、在解码器部分，采用3×3×3转置稀疏卷积，以步长为2进行上采样，该过程的表达式为：dn＝tr_conv(dn-1)，其中，tr_conv()表示上一层输出的转置稀疏卷积操作，dn是每一层向上采样的中间输出；
15、在解码器的最后一层，利用1×1×1稀疏卷积来完善特征，生成与输入形状相同的最终输出，并将编码器路径和解码器路径的信息结合起来，获取上下文信息；
16、利用跨尺度特征融合模块来融合所有尺度的属性特征。
17、在一些实施例中，所述利用跨尺度特征融合模块来融合所有尺度的属性特征，包括以下步骤：
18、在融合前变换阶段中：利用几何距离的权重来决定上采样点的属性特征，以保留上下采样点云之间的空间一致性；
19、在跨尺度注意力特征学习阶段中：利用跨尺度注意力机制将原始分辨率的点云中的细节信息和下采样两次的点云中的上下文信息进行有效融合；
20、在特征融合阶段中：通过跨尺度注意力特征学习获得增强后的特征，并将这些特征进行堆叠，使用多层感知器对堆叠后的特征进行平滑处理，得到融合后的多尺度特征。
21、在一些实施例中，所述利用几何距离的权重来决定上采样点的属性特征，以保留上下采样点云之间的空间一致性，包括以下步骤：
22、根据下采样点云的点数和上采样后的点云包含的点数，计算各个上采样点的属性特征，计算表达式为：其中，ψj(xi)是基于几何距离的权重函数，表示点xi与其第j个邻近点xj之间的距离倒数平方；h′bi代表第ith个上采样点的属性特征；k表示每个上采样点在低分辨率点云nd点中相邻点的数量；nd代表下采样点云的点数；
23、所述利用跨尺度注意力机制将原始分辨率的点云中的细节信息和下采样两次的点云中的上下文信息进行有效融合，包括以下步骤：
24、将下采样一次的点云和下采样两次的点云进行逐元素乘法操作，计算语义注意力掩码；
25、将下采样一次的点云和原始分辨率的点云进行逐元素加法操作，计算细节注意力掩码；
26、将所述语义注意力掩码应用到下采样两次的点云，并将所述细节注意力掩码应用到原始分辨率的点云，获得增强后的特征；
27、将增强后的特征进行堆叠，聚合不同尺度的信息，使用多层感知器对堆叠后的特征进行平滑处理，从而得到融合后的多尺度特征。
28、在一些实施例中，所述方法还包括对点云质量增强模型的训练步骤，该步骤包括以下步骤：
29、采用均方误差作为mpn本文档来自技高网...
【技术保护点】
1.一种基于注意力融合多尺度特征的解压缩点云质量增强方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于注意力融合多尺度特征的解压缩点云质量增强方法，其特征在于，所述根据所述基准真值，通过块生成方法将原始点云和压缩点云分割成多个块，得到压缩点云块和基准真实值块，包括以下步骤：
3.根据权利要求1所述的一种基于注意力融合多尺度特征的解压缩点云质量增强方法，其特征在于，所述根据所述压缩点云块和所述基准真实值块，构建点云质量增强模型，包括以下步骤：
4.根据权利要求3所述的一种基于注意力融合多尺度特征的解压缩点云质量增强方法，其特征在于，所述利用跨尺度特征融合模块来融合所有尺度的属性特征，包括以下步骤：
5.根据权利要求4所述的一种基于注意力融合多尺度特征的解压缩点云质量增强方法，其特征在于，
6.根据权利要求1所述的一种基于注意力融合多尺度特征的解压缩点云质量增强方法，其特征在于，所述方法还包括对点云质量增强模型的训练步骤，该步骤包括以下步骤：
7.根据权利要求6所述的一种基于注意力融合多尺度特征的
8.一种基于注意力融合多尺度特征的解压缩点云质量增强系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器以及存储器；
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至7中任一项所述的方法。
...【技术特征摘要】
1.一种基于注意力融合多尺度特征的解压缩点云质量增强方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于注意力融合多尺度特征的解压缩点云质量增强方法，其特征在于，所述根据所述基准真值，通过块生成方法将原始点云和压缩点云分割成多个块，得到压缩点云块和基准真实值块，包括以下步骤：
3.根据权利要求1所述的一种基于注意力融合多尺度特征的解压缩点云质量增强方法，其特征在于，所述根据所述压缩点云块和所述基准真实值块，构建点云质量增强模型，包括以下步骤：
4.根据权利要求3所述的一种基于注意力融合多尺度特征的解压缩点云质量增强方法，其特征在于，所述利用跨尺度特征融合模块来融合所有尺度的属性特征，包括以下步骤：
5.根据权利要求4所述的一种基于注意力融合...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。