买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉山东大学申请的专利一种基于自监督学习的点云补全方法、系统、设备及介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120182144B 。

龙图腾网通过国家知识产权局官网在2025-11-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510637216.7，技术领域涉及：G06T5/77；该发明授权一种基于自监督学习的点云补全方法、系统、设备及介质是由周乐来;徐柯欣;荣学文;田新诚;宋锐;李贻斌设计研发完成，并于2025-05-19向国家知识产权局提交的专利申请。

本一种基于自监督学习的点云补全方法、系统、设备及介质在说明书摘要公布了：本发明属于计算机视觉技术领域，为了解决目前有点云数据稀缺问题，提出一种基于自监督学习的点云补全方法、系统、设备及介质，包括：对点云原始数据通过最远点采样得到的不同补丁区域，将将经过点云补全网络模型补全后点云与不同补丁区域的区域感知距离作为损失函数，对点云补全网络模型进行自监督训练；将待补全点云数据输入至训练好的点云补全网络模型，通过对待补全点云数据执行不同分辨率的上采样操作，得到全局特征；通过对全局特征执行并行的解码预测操作，并将预测结果进行联合得到完整点云数据，可以在不知晓真实点云的情况下进行点云补全，避免了有监督点云补全的局限性。

本发明授权一种基于自监督学习的点云补全方法、系统、设备及介质在权利要求书中公布了：1.一种基于自监督学习的点云补全方法，其特征在于，包括： 获取点云原始数据； 对所述点云原始数据通过最远点采样得到的不同补丁区域，将经过点云补全网络模型补全后的点云数据与不同补丁区域的区域感知距离作为损失函数，对点云补全网络模型进行自监督训练；所述损失函数具体为： 其中，、和均是损失权重，为倒角距离，、和分别为补丁区域，为残缺点云，表示区域感知距离，与补丁区域对应的类遮挡区域； 将待补全点云数据输入至训练好的点云补全网络模型，通过编码器模块对所述待补全点云数据执行不同分辨率的下采样操作，得到全局特征；具体为：编码器模块由四个顺序连接的几何细节感知增强模块组成，将残缺点云输入编码器模块，通过编码器模块中级联的几何细节感知增强模块进行特征提取得到全局特征； 设残缺点云的维度为，第一层几何细节感知增强模块输出的,第二层几何细节感知增强模块输出的,第三层几何细节感知增强模块输出的，第四层几何细节感知增强模块输出的，然后对最后一层几何细节感知增强模块输出的点云特征执行最大池化操作，得到全局特征； 所述几何细节感知增强模块包括特征提取模块和特征增强模块； 所述特征提取模块，利用残差形式的多头交叉注意力对输入点云进行特征学习，并利用前馈网络对学习特征进行处理，得到提取特征； 所述特征提取模块，利用残差形式的多头自注意对提取特征进行特征增强，并利用前馈网络对增强特征进行处理，得到所述几何细节感知增强模块的输出； 所述编码器模块中第一层所述几何细节感知增强模块对点云原始数据的操作过程，具体为： ； ； ； 特征增强模块以残差的形式应用多头自注意来对特征提取模块的输出特征进行特征增强： ； 其中，为残缺点云，为多头注意力层，为归一化层，为对残缺点云最远点采样后得到的点，FFN表示前馈网络层，Concat表示连接； 通过解码器模块对所述全局特征执行并行的解码预测操作，并将预测结果进行联合得到所述待补全点云数据的完整点云数据，具体为： 将所述全局特征依次进行不同分辨率的上采样操作，得到第一局部特征和第二局部特征； 将所述全局特征、所述第一局部特征和所述第二局部特征分别经过对应分支的解码操作，生成第一组点云数据、第二组点云数据和第三组点云数据； 第一组点云数据、第二组点云数据和第三组点云数据分别对应解码器模块中的第一分支、第二分支和第三分支； 将所述第一组点云数据、所述第二组点云数据和所述第三组点云数据进行融合，得到所述待补全点云数据的完整点云数据。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人山东大学，其通讯地址为：250000 山东省济南市历下区经十路17923号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。