基于自适应特征提取和特征融合的点云滤波

doi:10.11772/j.issn.1001-9081.2024111617

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (12): 3957-3963.DOI: 10.11772/j.issn.1001-9081.2024111617

• 多媒体计算与计算机仿真 • 上一篇下一篇

基于自适应特征提取和特征融合的点云滤波

李维刚¹^,², 王栋¹, 王永强², 李金灵²

^1.武汉科技大学人工智能与自动化学院，武汉 430081
^2.武汉科技大学冶金自动化检测技术教育部工程研究中心，武汉 430081

收稿日期:2024-11-14 修回日期:2025-03-03 接受日期:2025-03-04 发布日期:2025-03-21 出版日期:2025-12-10
通讯作者: 王栋
作者简介:李维刚（1977—），男，湖北咸宁人，教授，博士，主要研究方向：工业过程控制、人工智能、机器学习
王栋（2001—），男，湖北孝感人，硕士研究生，主要研究方向：点云滤波、深度学习
王永强（1994—），男，河南许昌人，博士研究生，主要研究方向：点云智能处理
李金灵（1996—），男，湖北咸宁人，博士研究生，主要研究方向：计算机视觉。
基金资助:
湖北省科技人才服务企业项目(202400288)

Point cloud filtering based on adaptive feature extraction and feature fusion

Weigang LI¹^,², Dong WANG¹, Yongqiang WANG², Jinling LI²

^1.College of Artificial Intelligence and Automation，Wuhan University of Science and Technology，Wuhan Hubei 430081，China
^2.Engineering Research Center for Metallurgical Automation and Measurement Technology，Ministry of Education，Wuhan University of Science and Technology，Wuhan Hubei 430081，China

Received:2024-11-14 Revised:2025-03-03 Accepted:2025-03-04 Online:2025-03-21 Published:2025-12-10
Contact: Dong WANG
About author:LI Weigang， born in 1977， Ph. D.， professor. His research interests include industrial process control， artificial intelligence， machine learning.
WANG Dong， born in 2001， M. S. candidate. His research interests include point cloud filtering， deep learning.
WANG Yongqiang， born in 1994， Ph. D. candidate. His research interests include intelligent processing of point clouds.
LI Jinling， born in 1996， Ph. D. candidate. His research interests include computer vision.
Supported by:
Hubei Provincial Science and Technology Talent Service Enterprise Project(202400288)

摘要/Abstract

摘要：

针对现有滤波方法在处理具有高复杂度几何结构的点云模型中存在特征模糊现象，导致最终滤波效果较差的问题，设计一种基于自适应特征提取和特征融合策略的点云滤波网络PFRNet（Point cloud Feature Regularization fusion Network）。首先，通过自适应空间特征提取器学习不同邻域之间的特征信息，从而捕获不同维度的局部邻域特征，减少局部细节的丢失；其次，通过局部特征正则化融合从点云的局部信息中引入全局双线性响应，并对它进行正则化融合，削弱点云的共性特征，增强尖锐特征；最后，通过自相关注意力解码器在解码过程中增强不同邻域之间的联系，提升模型的全局感知能力，以更好地提取局部几何特征。实验结果表明，与Pointfilter相比，PFRNet的倒角距离（CD）和均方误差（MSE）分别降低了7.45%、4.99%；可视化结果显示，PFRNet相较于其他方法能够生成更接近真实的点云模型。

关键词: 点云滤波, 局部特征, 动态图边卷积, 特征融合, 注意力机制

Abstract:

Concerning the limitations of existing filtering methods in dealing with point cloud models with high complex geometric structure， where feature blurring artifacts degrade filtering performance， a point cloud filtering network based on adaptive feature extraction and feature fusion strategy named PFRNet （Point cloud Feature Regularization fusion Network） was proposed. Firstly， the feature information between different neighborhoods was learned by the adaptive spatial feature extractor， so as to capture the local neighborhood features of different dimensions and reduce the loss of local details. Then， the global bilinear response was introduced from the local information of the point cloud through the local feature regularized fusion， and it was regularized and fused to weaken the common features of the point cloud and enhance the sharp features. Finally， the self-correlation attention decoder was used to enhance the connection between different neighborhoods in the decoding process， improve the global perception ability of the model， and better extracting local geometric features. Experimental results show that compared with Pointfilter， PFRNet reduces Chamfering Distance （CD） and Mean Square Error （MSE） of 7.45% and 4.99%，respectively. Visualization results further confirm that PFRNet generates a point cloud model closer to the real one than other methods.

Key words: point cloud filtering, local feature, dynamic graph edge convolution, feature fusion, attention mechanism

中图分类号:

TP391.4

李维刚, 王栋, 王永强, 李金灵. 基于自适应特征提取和特征融合的点云滤波[J]. 计算机应用, 2025, 45(12): 3957-3963.

Weigang LI, Dong WANG, Yongqiang WANG, Jinling LI. Point cloud filtering based on adaptive feature extraction and feature fusion[J]. Journal of Computer Applications, 2025, 45(12): 3957-3963.

图/表 14

参考文献 20

[1]	欧阳仕晗，刘振宇，赵怡巍，等. 移动机器人三维激光 SLAM 算法研究［J］. 微处理机， 2020， 41（5）： 58-64.
	OUYANG S H， LIU Z Y， ZHAO Y W， et al. Research on 3D laser SLAM algorithm for mobile robot ［J］. Microprocessor， 2020， 41（5）： 58-64.
[2]	WEI M， CHEN H， ZHANG Y， et al. et al. GeoDualCNN： Geometry-supporting dual convolutional neural network for noisy point clouds［J］. IEEE Transactions on Visualization and Computer Graphics， 2021， 29（2）： 1357-1370.
[3]	陈慧娴，吴一全，张耀. 基于深度学习的三维点云分析方法研究进展［J］. 仪器仪表学报， 2023， 44（11）： 130-158.
	CHEN H X， WU Y Q， ZHANG Y. Research progress of 3D point cloud analysis method based on deep learning［J］. Chinese Journal of Scientific Instrument， 2023， 44（11）： 130-158.
[4]	ROVERI R， ÖZTIRELI A C， PANDELE I， et al. PointProNets： consolidation of point clouds with convolutional neural networks ［J］.Computer Graphics Forum，2018，37（2）：87-99.
[5]	HERMOSILLA P， RITSCHEL T， ROPINSKI T. Total denoising： unsupervised learning of 3D point cloud cleaning ［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2019： 52-60.
[6]	RAKOTOSAONA M J， LA BARBERA V， GUERRERO P， et al. PointCleanNet： learning to denoise and remove outliers from dense point clouds ［J］.Computer Graphics Forum，2020，39（1）：185-203.
[7]	ZHANG D， LU X， QIN H， et al. Pointfilter： point cloud filtering via encoder-decoder modeling［J］. IEEE Transactions on Visualization and Computer Graphics， 2020， 27（3）： 2015-2027.
[8]	XU X， GENG G， CAO X， et al. TDNet： Transformer-based network for point cloud denoising［J］. Applied Optics， 2022， 61（6）： C80-C88.
[9]	MAO A， DU Z， WEN Y H， et al. PD-Flow： a point cloud denoising framework with normalizing flows ［C］// Proceedings of the 2022 European Conference on Computer Vision. Cham： Springer， 2022： 398-415.
[10]	HERMOSILLA P， RITSCHEL T， VAZQUEZ P P， et al. Monte Carlo convolution for learning on non-uniformly sampled point clouds［J］. ACM Transactions On Graphics （TOG）， 2018， 37（6）： 1-12.
[11]	GUERRERO P， KLEIMAN Y， OVSJANIKOV M， et al. PCPNet learning local shape properties from raw point clouds ［J］.Computer Graphics Forum，2018，37（2）：75-85.
[12]	CHEN H， ZHAO J. 3D Mesh classification and panoramic image segmentation using spherical vector networks with rotation-equivariant self-attention mechanism［J］. Journal of King Saud University Computer and Information Sciences， 2023， 35（5）： 101546.
[13]	WANG Y， SUN Y， LIU Z， et al. Dynamic graph CNN for learning on point clouds［J］. ACM Transactions On Graphics （TOG）， 2019， 38（5）： 1-12.
[14]	SINGHAL P， WALAMBE R， RAMANNA S， et al. Domain adaptation： challenges， methods， datasets， and applications ［J］. IEEE Access， 2023， 11： 6973-7020.
[15]	LI X， LI M， YAN P， et al. Deep learning attention mechanism in medical image analysis： basics and beyonds［J］. International Journal of Network Dynamics and Intelligence， 2023， 2（1）： 93-116.
[16]	QI C R， SU H， MO K， et al. PointNet： deep learning on point sets for 3D classification and segmentation ［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 652-660.
[17]	LIN T Y， ROYCHOWDHURY A， MAJI S. Bilinear CNN models for fine-grained visual recognition［C］// Proceedings of the 2015 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2015： 1449-1457.
[18]	BOUREAU Y L， BACH F， LECUN Y， et al. Learning mid-level features for recognition［C］// Proceedings of the 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2010： 2559-2566.
[19]	YANG L， ZHANG R Y， LI L， et al. SimAM： a simple， parameter-free attention module for convolutional neural networks［C］// Proceedings of the 2021 International Conference on Machine Learning. Cham： Springer， 2021： 11863-11874.
[20]	LUO S， HU W. Differentiable manifold reconstruction for point cloud denoising［C］// Proceedings of the 28th ACM International Conference on Multimedia. New York： ACM， 2020： 1330-1338.

滤波网络	Boxunion		Cube		Fandisk		Tetrahedron		平均
滤波网络	CD/10^-5	MSE/10^-3	CD/10^-5	MSE/10^-3	CD/10^-5	MSE/10^-3	CD/10^-5	MSE/10^-3	CD/10^-5	MSE/10^-3
Noise	3.766	5.886	4.406	5.869	4.392	5.846	3.722	5.874	3.872	5.869
DMRDenoise	2.262	5.168	2.843	4.991	1.774	5.243	1.850	5.198	2.182	5.150
PCN	1.275	4.450	1.648	4.147	0.958	4.103	0.997	4.227	1.220	4.232
TDNet	1.235	4.397	1.408	4.127	0.848	4.276	0.972	4.211	1.116	4.253
PD-Flow	1.119	4.481	1.467	4.114	0.893	4.253	0.941	4.187	1.105	4.259
Pointfilter	0.987	4.341	1.335	4.042	0.774	4.211	0.807	4.166	0.967	4.190
PFRNet	0.899	4.168	1.236	3.881	0.700	4.007	0.746	3.932	0.895	3.981

滤波网络	Boxunion		Cube		Fandisk		Tetrahedron		平均
滤波网络	CD/10^-5	MSE/10^-3	CD/10^-5	MSE/10^-3	CD/10^-5	MSE/10^-3	CD/10^-5	MSE/10^-3	CD/10^-5	MSE/10^-3
Noise	3.766	5.886	4.406	5.869	4.392	5.846	3.722	5.874	3.872	5.869
DMRDenoise	2.262	5.168	2.843	4.991	1.774	5.243	1.850	5.198	2.182	5.150
PCN	1.275	4.450	1.648	4.147	0.958	4.103	0.997	4.227	1.220	4.232
TDNet	1.235	4.397	1.408	4.127	0.848	4.276	0.972	4.211	1.116	4.253
PD-Flow	1.119	4.481	1.467	4.114	0.893	4.253	0.941	4.187	1.105	4.259
Pointfilter	0.987	4.341	1.335	4.042	0.774	4.211	0.807	4.166	0.967	4.190
PFRNet	0.899	4.168	1.236	3.881	0.700	4.007	0.746	3.932	0.895	3.981

网络	噪声等级为0.5%		噪声等级为1.0%		噪声等级为1.5%		噪声等级为2.5%
网络	CD/10^-5	MSE/10^-3	CD/10^-5	MSE/10^-3	CD/10^-5	MSE/10^-3	CD/10^-5	MSE/10^-3
DMRDenoise	2.19	5.15	3.16	21.78	4.69	47.42	17.42	134.26
PCN	1.22	4.23	1.71	17.18	2.62	38.97	12.74	110.31
TDNet	1.12	4.25	1.58	17.14	2.41	39.16	10.90	113.86
PD-FLow	1.11	4.26	1.55	17.16	2.38	40.11	10.71	114.01
Pointfilter	0.98	4.19	1.42	16.98	2.08	38.58	8.76	112.21
PFRNet	0.89	3.98	1.25	16.04	1.82	36.66	8.14	103.77

网络	噪声等级为0.5%		噪声等级为1.0%		噪声等级为1.5%		噪声等级为2.5%
网络	CD/10^-5	MSE/10^-3	CD/10^-5	MSE/10^-3	CD/10^-5	MSE/10^-3	CD/10^-5	MSE/10^-3
DMRDenoise	2.19	5.15	3.16	21.78	4.69	47.42	17.42	134.26
PCN	1.22	4.23	1.71	17.18	2.62	38.97	12.74	110.31
TDNet	1.12	4.25	1.58	17.14	2.41	39.16	10.90	113.86
PD-FLow	1.11	4.26	1.55	17.16	2.38	40.11	10.71	114.01
Pointfilter	0.98	4.19	1.42	16.98	2.08	38.58	8.76	112.21
PFRNet	0.89	3.98	1.25	16.04	1.82	36.66	8.14	103.77

组序	具体操作	CD-Avg/10^-5
A	代替VDGENet为PointNet	0.974
B	不使用局部特征正则化融合	0.977
C	不使用自相关注意力模块	0.901
D	全部使用	0.895

基于自适应特征提取和特征融合的点云滤波

Point cloud filtering based on adaptive feature extraction and feature fusion

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 20

相关文章 15

编辑推荐

Metrics

网络	Params/10⁶	FLOPs/10⁹	CD/10^-5
TDNet	10.356	3.833	1.116
PCN	6.843	14.696	1.220
PD-FLow	14.746	9.276	1.105
Pointfilter	20.441	2.550	0.967
PFRNet	23.530	3.081	0.895

[1]	梁一鸣, 范菁, 柴汶泽. 基于双向交叉注意力的多尺度特征融合情感分类[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2773-2782.
[2]	邓伊琳, 余发江. 基于LSTM和可分离自注意力机制的伪随机数生成器[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2893-2901.
[3]	吕景刚, 彭绍睿, 高硕, 周金. 复频域注意力和多尺度频域增强驱动的语音增强网络[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2957-2965.
[4]	李维刚, 邵佳乐, 田志强. 基于双注意力机制和多尺度融合的点云分类与分割网络[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 3003-3010.
[5]	王翔, 陈志祥, 毛国君. 融合局部和全局相关性的多变量时间序列预测方法[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2806-2816.
[6]	许志雄, 李波, 边小勇, 胡其仁. 对抗样本嵌入注意力U型网络的3D医学图像分割[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 3011-3016.
[7]	王芳, 胡静, 张睿, 范文婷. 内容引导下多角度特征融合医学图像分割网络[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 3017-3025.
[8]	颜承志, 陈颖, 钟凯, 高寒. 基于多尺度网络与轴向注意力的3D目标检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2537-2545.
[9]	吴海峰, 陶丽青, 程玉胜. 集成特征注意力和残差连接的偏标签回归算法[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2530-2536.
[10]	敬超, 全育涛, 陈艳. 基于多层感知机-注意力模型的功耗预测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2646-2655.
[11]	林进浩, 罗川, 李天瑞, 陈红梅. 基于跨尺度注意力网络的胸部疾病分类方法[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2712-2719.
[12]	习怡萌, 邓箴, 刘倩, 刘立波. 跨模态信息融合的视频-文本检索[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2448-2456.
[13]	周金, 李玉芝, 张徐, 高硕, 张立, 盛家川. 复杂电磁环境下的调制识别网络[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2672-2682.
[14]	梁辰, 王奕森, 魏强, 杜江. 基于Transformer-GCN的源代码漏洞检测方法[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2296-2303.
[15]	陈亮, 王璇, 雷坤. 复杂场景下跨层多尺度特征融合的安全帽佩戴检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2333-2341.