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！

龙图腾网获悉辽宁师范大学申请的专利一种密度先验引导的无监督点云深度降噪方法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：CN115731124B 。

龙图腾网通过国家知识产权局官网在2025-12-19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：202211407508.4，技术领域涉及：G06T5/70；该发明授权一种密度先验引导的无监督点云深度降噪方法是由张杰;王佳旭;聂明辉;刘秀平设计研发完成，并于2022-11-10向国家知识产权局提交的专利申请。

本一种密度先验引导的无监督点云深度降噪方法在说明书摘要公布了：本发明公开一种密度先验引导的无监督点云深度降噪方法，本发明与现有技术相比具有以下优点：首先设计了密度先验，通过噪声点云的分布便可刻画每个点位于真实底层曲面的概率，在讨论干净点的条件概率分布时，不仅考虑了邻域点与当前点距离的远近，同时考虑了邻域点位于底层采样曲面上的概率,有效避免了现有方法存在的问题，能够提高预测真值的质量，减少离群点的影响；其次对噪声点云中的点提取多尺度特征，通过MLP学习点的得分进而得到低噪声点，对其进行预滤波，最后上采预滤波后的点集以得到降噪点云，利用密度先验对降噪点云进行约束，有效提高无监督点云降噪质量。

本发明授权一种密度先验引导的无监督点云深度降噪方法在权利要求书中公布了：1.一种密度先验引导的无监督点云深度降噪方法，其特征在于按照如下步骤进行： 步骤1.输入含有噪声的点云，所述点云中点的数量为； 步骤2.基于噪声点云中噪声点位于真实底层曲面的概率分布构造密度先验； 步骤3.初始化动态图卷积网络，利用多层感知机构造得分网络、预滤波网络和上采网络并初始化； 步骤4.用动态图卷积网络对噪声点云提取每一点的多尺度特征，构成特征矩阵； 步骤5.通过得分网络对多尺度特征矩阵进行学习以获得点得分向量，保留得分较高的个点，，得到低噪声点集； 步骤6.通过预滤波网络对低噪声点集进行预滤波； 步骤7.通过上采网络上采预滤波后的低噪声点集，生成降噪点云； 步骤8.判断降噪点云是否满足要求，是，结束；否，进行步骤9； 步骤9.随机选取邻域构造无监督损失函数并优化动态图卷积网络、得分网络、预滤波网络和上采网络，返回步骤4； 所述步骤2是按照公式1构造密度先验； 1 所述为的邻域，包含个近邻点；所述为超参数，的取值由点之间的平均距离进行预测,按照公式2计算； 2 所述为集合所包含的元素的个数，为由的个近邻点构成的邻域，为设定参数； 所述步骤4的特征矩阵是按照公式3构造而成： 3 所述为第层输入的特征，为点在层的输出特征，为由参数化的多层感知机，表示点的邻域，表示最大池； 所述步骤5是按照公式4、5进行： 4 5 所述MLP为多层感知机，为中个最大值所对应的下标； 所述步骤6是按照公式6、7、8进行： 6 7 8 所述是低噪声点集的特征矩阵，是中点的得分向量，表示逐元素相乘，表示矩阵相乘； 所述步骤7具体如下： 随机生成两个二维向量，将二维向量与特征向量串联,得到,利用进行上采，按照公9生成降噪点云 9； 所述步骤9具体如下： 步骤9.1通过每次随机选取邻域的方式按照公式10、11构造每一点的约束； 10 11 所述为权重，为归一化系数,随机选取的邻域； 步骤9.2通过最小化能量，构造噪声点云和降噪点云之间的双射，所述双射按照公式12计算； 12 所述,为降噪点云； 步骤9.3通过最小化如公式13所示的能量函数优化动态图卷积网络、得分网络、预滤波网络和上采网络； 13。

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辽宁师范大学，其通讯地址为：116000 辽宁省大连市沙河口区黄河路850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。