导读：

现有的多分支自监督点云上采样框架的设计机制通常没有关注到各分支间的结构一致性问题，特征表示能力不足。为解决上述问题，提出一种结构感知的自监督点云上采样网络。特征提取阶段，模型在低层特征处加入结构感知模块，重新组合特征点云，来提升结构感知的能力。同时添加自注意力机制，整合不同分支的特征。特征扩展阶段，提出使用插值点云来指导上采样过程，以提高保持原始点云形状的能力。在PUGAN数据集上进行实验，与基线模型SPU-Net相比，所提出模型在三个指标上均有所提升，其中P2F和HD两个指标提升显著。实验结果表明，模型可以生成具有较多几何细节、较高质量的密集点云。

作者信息：

徐 天, 张长伦*：北京建筑大学理学院，北京

​

​正文：

本文提出了一种结构感知的自监督点云上采样网络(SASPU-Net)。模型改进原有的网络结构，在特征提取中间阶段加入结构感知模块(Structure-Aware Module, SAM)，重新组合特征点云，从而提升对局部细节的感知能力。在特征扩展阶段，使用Shuffle模块来进行上采样，同时使用插值点云来指导上采样过程，有利于保持原始点云的形状。最后，将不同分支的上采样点云合并起来，得到最终的上采样结果。实验结果表明，自监督模型SASPU-Net生成的上采样点云具有更多几何细节，边界更为清晰。

​

​本文遵循SPU-Net的自监督方法和训练策略，执行rr 倍点云上采样，所提出模型SASPU-Net的网络结构如图1所示。为了利用不同分支间的结构一致性，模型改进原有自监督框架的设计，在中间阶段加入结构感知模块，重新组合特征点云。基于新的特征点云，使用KNN算法构建密集点云图，来增强结构感知的能力。特征扩展阶段使用Shuffle模块进行上采样，并通过IG模块使用插值点云来引导上采样过程。

添加结构感知模块(SAM)，利用不同分支间的结构一致性来增强点云的几何结构。如图2所示，虚线框内为结构感知模块。

特征提取的第一步是构建点云的局部图结构，图3展示了通过KNN算法构建的输入点云(左侧)和下采样后的粗糙点云(右侧)的局部邻域图对比。可以发现，下采样的粗糙点云所构建的图卷积结构，点云邻居和中心节点距离较远，并且两者相关性较低，图卷积结构并不可靠，点云局部几何特征粗糙，造成局部细节编码困难。

基于增强后的特征点云F1 ，探索了邻域点数目的选择对上采样效果的影响。对比实验结果如下(表1)：

在PUGAN数据集上进行了实验，并与当前先进的有监督和无监督点云上采样算法进行了比较，结果如表2所示，加粗结果代表在该指标上表现最好，标红结果代表次优。

对于点云上采样任务，输入点云的密集程度影响着上采样的效果，一般来说，原始点云越密集，对物体形状和几何结构的表达越清晰，越有利于点云上采样。因此，在不同密度的输入点云数据集上进行测试，以更全面地评估所提出的上采样模型的效果。分别在输入点云点数为256、512、1024、2048的测试数据集上进行实验并将上采样结果可视化，如图5所示。

结论：

本文关注自监督设计框架中的结构一致性问题，提出结构感知的自监督点云上采样网络(SASPU-Net)。通过将结构感知模块(SAM)集成到特征提取结构中来有效地捕获细粒度的局部特征，以促进上采样过程。模型利用不同分支间的结构一致性将多分支特征点云在低语义级别结合，增强了邻域信息的相关性，从而编码更为精细的局部结构。特征扩展部分，使用Shuffle操作进行上采样，并通过生成的插值点云来指导上采样过程。实验结果表明，所提算法可以生成具有较多几何细节、较高质量的密集点云，并且对噪声具有鲁棒性。

​

基金项目：

国家自然科学基金(No. 62072024)

​原文链接：结构感知的自监督点云上采样网络