(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211219637.0 (22)申请日 2022.10.08 (71)申请人 南京航空航天大 学 地址 210000 江苏省南京市秦淮区御道街 29号 (72)发明人 汪俊　杨建铧　黄安义　李子宽　 (74)专利代理 机构 合肥汇融专利代理有限公司 34141 专利代理师 王秀芳 (51)Int.Cl. G06T 5/00(2006.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06F 17/16(2006.01) (54)发明名称 一种基于Transformer的点云逐点去噪方法 (57)摘要 本发明涉及点云数据预处理技术领域， 解决 了现有技术无法同时感知不同尺度下点的局部 特征缺陷的技术问题， 尤其涉及一种基于 Transformer的点云逐点去噪方法， 包括以下过 程： S1、 创建点 云多尺度数据集， 点云多尺度数据 集包括不同尺度的点云面片及面片中心点的真 值； S2、 构建基于多尺度信息的点云去噪网络模 型； S3、 采用点云多尺度数据集对点云去噪网络 模型进行训练； S4、 将含有噪声点的点云数据输 入至点云去噪网络模型中完成点 云去噪。 本发明 利用Transformer模型结构和多尺度信息全局感 知解决了现有技术无法同时感知不同尺度下点 的局部特征的缺陷， 提升了点云去噪效果， 以实 现对点云数据的高质量去噪。 权利要求书2页 说明书6页 附图4页 CN 115293995 A 2022.11.04 CN 115293995 A 1.一种基于Transformer的点云逐点去噪方法， 其特征在于， 该去噪方法包括以下步 骤： S1、 创建点云多尺度数据集， 点云多尺度数据集包括不同尺度的点云面片及面片中心 点的真值； S2、 构建基于多尺度信息的点云去噪网络模型； S3、 采用点云多尺度数据集对点云去噪网络模型进行训练； S4、 将含有噪声点的点云数据输入至点云去噪网络模型中完成点云去噪。 2.根据权利要求1所述的点云逐点去噪方法， 其特征在于： 在步骤S1中， 创建点云多尺 度数据集的具体过程包括以下步骤： S11、 获取若干三维点云模型的点云数据及其对应的真值； S12、 根据三维点云模型的点云数据进行采样得到点云中每一个点对应的五个不同尺 度的邻域 面片点集； S13、 将五个不同尺度的邻域面片点集的数量大小统一为N得到五个 矩阵构成点 云多尺度数据集， 对于点集的数量少于N的邻域面片， 则根据步骤S12进行重采样至数量为 N， 对于点 集的数量多于N的邻域 面片， 则进行 下采样至点数为 N。 3.根据权利要求2所述的点云逐点去噪方法， 其特征在于： 在步骤S12中， 根据三维点云 模型的点云数据进行采样得到点云中每一个点对应的五个不同尺度的邻域面片点集的具 体过程包括以下步骤： S121、 采用K邻近法对点云数据中 的每一个点分别获取点数为 的五 种不同尺度大小的邻域 面片定义 为K值； S122、 采用格点采样法在每 个邻域面片的点云数据中选取S个采样点定义 为S值； S123、 根据S值得到五个不同尺度的邻域 面片K值构成邻域 面片点集。 4.根据权利要求1所述的点云逐点去噪方法， 其特征在于： 在步骤S2中， 构建基于多尺 度信息的点云去噪网络模型的具体过程包括以下步骤： S21、 组建多尺度信息编码器， 输出5个不同尺度的[1,128]的特 征矩阵； S22、 组建多尺度信息Transformer  Encoder Block， 多尺度信息Transformer  Encoder  Block由3个Encoder结构组成， 3个Encoder结构依次连接； S23、 将步骤S21中输出的5个不同尺度的[1,128]特征矩阵输入到多尺度信息 Transformer  Encoder Block中， 3个Encoder结构输出的向量进行拼接， 得到5个尺度 下的 [1,384]的多层次编码聚合特 征向量； S24、 组建多尺度信息Transformer  Decoder Block， 多尺度信息Transformer  Decoder  Block由3个Decoder结构组成， 3个Decoder结构依次连接； 多尺度信息Transformer  Decoder Block的输入由两部分构成， 分别为预测输入部分 和训练输入部分； 进行预测时， 从预测输入部分输入S23中得到的5个尺度下的[1,384]的多层次编码聚 合特征向量； 进行训练时， 从训练输入部分额外输入三维点云数据的真值作为Target数据； 将3个 Decoder结构输出的向量进行拼接， 输出5个尺度下的[1,1152]的多层次解码聚合特征向权　利　要　求　书 1/2 页 2 CN 115293995 A 2量； S25、 组建多尺度信息全局感知模块， 多尺度信息全局感知模块 由[1024,512,64,3]的 全连接层组成； S26、 将步骤S24中的5个尺度下的[1,1152]的多层次解码聚合特征向量相加得到[1, 1152]的全局特 征感知向量； S27、 将全局特征感知向量输入到多尺度信息全局感知模块 中输出[1,3]的位置偏移矩 阵， 得到点的位置偏移量； S28、 将点的位置偏移量添加到原 始点中得到滤波后的点 三维坐标。 5.根据权利要求4所述的点云逐点去噪方法， 其特征在于： 多尺度信息编码器由5个子 编码器组成， 每 个子编码器负责一个尺度邻域 面片的特 征信息提取； 子编码器由一个[64,64,128]的多层感知器和一个最大池化层组成。 6.根据权利要求4所述的点云逐点去噪方法， 其特征在于： 每个Encoder结构由Multi ‑ Head Attention结构和全连接神经网络Feed  Forward Network组成， 每个Encoder结构后 添加残差模块及归一 化处理模块。 7.根据权利要求4所述的点云逐点去噪方法， 其特征在于： 每个Decoder由Masked   Multi‑Head Attention、 Multi ‑Head Attention、 全连接神经网络Feed  Forward Network 组成， 每个Decoder结构后添加残差模块及归一 化处理模块。 8.根据权利要求1所述的点云逐点去噪方法， 其特征在于： 在步骤S3中， 采用点云多尺 度数据集对点云去噪网络模型进行训练的具体过程包括以下步骤： S31、 定义多尺度信息的点云中各尺度偏移损失的度量 函数； S32、 将点云多尺度数据集按8 :2的比例划分为训练集和 测试集； S33、 将训练集输入至点云去噪网络模型中进行训练得到训练后的点云去噪网络模型； S34、 采用测试集对训练后的点云去噪网络模型进行测试。权　利　要　求　书 2/2 页 3 CN 115293995 A 3