CN118691742B 一种基于自训练条件扩散模型的三维点云重建方法 （哈尔滨工程大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN118691742B(45)授权公告日2025.07.11

(21)申请号202410736167.8

(22)申请日2024.06.07

(65)同一申请的已公布的文献号申请公布号CN118691742A

(43)申请公布日2024.09.24

(73)专利权人哈尔滨工程大学

地址150006黑龙江省哈尔滨市南岗区南

通大街145号

(72)发明人王兴梅冯泽胡晓宇徐悦竹

王雪涵

(74)专利代理机构北京东方盛凡知识产权代理

有限公司11562专利代理师邹彬

(51)Int.CI.

GO6T17/00(2006.01)

GO6V10/30(2022.01)

GO6V10/774(2022.01)

GO6V10/776(2022.01)

GO6V10/77(2022.01)

GO6V10/44(2022.01)

GO6V10/82(2022.01)

GO6N3/045(2023.01)

GO6N3/0464(2023.01)

GO6N3/088(2023.01)

GO6N3/0895(2023.01)

(56)对比文件

冯泽等.基于扩散模型的条件聚合三维点云重建方法.航空电子技术.2024,第55卷(第02

期),第48-55页.

XiaoyuHuetal.ST-CDPRN:3DPoint

CloudReconstructionMethodWithSelf-TrainingConditionalDiffusion.ResearchSquare.2024,第1-16页.

审查员祝亚兰

权利要求书2页说明书20页附图6页

(54)发明名称

一种基于自训练条件扩散模型的三维点云重建方法

(57)摘要

CN118691742B本发明涉及一种基于自训练条件扩散模型的三维点云重建方法，包括：获取待重建图像和高斯噪声；构建三维点云重建网络模型，引入条件聚合模块和特征一致性损失，获取条件扩散的三维点云重建网络模型，将所述条件扩散的三维点云重建网络模型作为教师子模型和学生子模块，结合形状自然度模块及重建一致性损失，获取自训练条件扩散的三维点云重建网络模型；将所述待重建图像和所述高斯噪声输入所述自训练条件扩散的三维点云重建网络模型，获取点云重建结果。本发明能够有效利用图像信息，提升三维点云重建性能，同时降低对大规模标注数据依

CN118691742B

构建噪声估计模块

引入去噪损失

开始

输入三维点云

重建数据集

构建基于扩散横型的三维点云重建网络模型

引入条件聚合方法

维点云重建网络模型

更新模型参数

临是香结来?

输出重建的

三维点云

结束

构建教师网络和

学生网络

53入重盘放性

CN118691742B权利要求书1/2页

2

1.一种基于自训练条件扩散模型的三维点云重建方法，其特征在于，包括：

获取待重建图像和高斯噪声；

构建三维点云重建网络模型，引入条件聚合模块和特征一致性损失，获取条件扩散的三维点云重建网络模型，将所述条件扩散的三维点云重建网络模型作为教师子模型和学生子模块，结合形状自然度模块及重建一致性损失，获取自训练条件扩散的三维点云重建网络模型；

所述形状自然度模块，用于挖掘重建点云与无标签图像数据的内在联系，获取点云的结构自然且与所述无标签图像数据保持一致的伪标签点云，以扩充三维点云重建训练集，并结合去噪损失函数以及重建一致性损失对学生子模块进行训练；

所述形状自然度模块包括：

图像特征提取子模块，用于对所述无标签图像数据进行特征提取，获取第一图像特征；点云特征提取子模块，用于对所述重建点云的几何结构信息进行提取，获取点云特征；多尺度卷积子模块，用于将所述第一图像特征和所述点云特征进行拼接，获取融合特

征；

自注意力子模块，用于对所述融合特征进行重标定，获取重标定特征，对所述重标定特征进行综合分析，获取点云质量评估结果，根据所述点云质量评估结果，判断所述点云的结构是否自然，且与无标签图像数据是否保持一致，获取点云的结构