融合几何放射与门控注意力的点云表面重建方法及装置

本发明涉及智能制造技术中的数控加工程序智能转化领域，尤其涉及一种融合几何仿射调制与门控注意力聚合的点云隐式曲面重建方法及装置。

背景技术：

1、现有点云隐式曲面重建方法通常将输入点云分解为围绕查询点的局部块点集和全局子采样点集两部分，分别通过两个结构相同的逐点特征提取网络进行编码：局部分支学习查询点处的绝对距离信息，全局分支学习该点相对于封闭曲面的内外符号信息。两个分支在提取逐点特征后均通过对称最大池化压缩为单一的特征向量，随后将两分支的池化向量直接拼接，输入多层全连接网络解码得到带符号距离值。

2、上述技术现状存在以下不足：

3、（1）局部分支和全局分支均在得到逐点特征后立即做对称池化，该操作对点集中每个点的各通道特征在数值上一视同仁，未能区分不同点对查询点sdf预测的贡献差异，导致模型在噪声、稀疏或非均匀采样点云上的细节保真度与鲁棒性受限；

4、（2）局部分支输入的局部块点集在不同物体、不同局部区域上的尺度与密度分布差异较大，若不进行自适应归一化调制而直接送入特征提取网络，易导致不同局部块间的特征分布不一致，削弱模型的跨类别泛化能力；

5、（3）特征融合阶段仅通过将池化后的局部向量与全局向量直接拼接，解码网络难以根据局部结构的重要程度自适应调整不同特征通道或不同空间位置的贡献权重，限制了对细粒度几何细节的重建能力。

6、因此，亟需一种能够在保留点级别特征分布信息的基础上，通过自适应几何归一化与注意力加权聚合来提升点云隐式曲面重建精度与泛化能力的新方法。 技术实现要素：

7、针对现有点云隐式曲面重建方法中存在的局部分支特征分布不一致、对称池化聚合方式丢失点级重要性信息等问题，本发明提供一种融合几何仿射调制与门控注意力聚合的点云隐式曲面重建方法及装置，通过几何仿射调制提升局部特征表达的一致性，并通过自适应注意力聚合替代对称池化与简单拼接，从而提高隐式曲面重建的精度、细节保真度与跨类别泛化能力。

8、本发明第一方面提供一种点云隐式曲面重建方法，所述方法包括如下步骤：

9、步骤s1：获取以查询点x为中心的局部块点集，所述局部块点集由点云中距x最近的n个点组成；同时获取按照与x距离递减的密度梯度从整体点云中采样得到的全局子采样点集；将所述全局子采样点集中各点坐标减去所述查询点坐标，实现以查询点为原点的坐标平移对齐；

10、步骤s2：将所述局部块点集的坐标特征输入几何仿射调制模块gam进行自适应归一化与可学习仿射变换，得到调制后的坐标特征；将所述调制后的坐标特征输入局部分支逐点特征提取网络，得到保留点维度的局部逐点特征矩阵；

11、步骤s3：将经平移对齐后的所述全局子采样点集输入全局分支逐点特征提取网络，得到全局逐点特征后沿点维度进行对称池化，得到全局特征向量；其中，所述全局分支逐点特征提取网络与所述局部分支逐点特征提取网络结构相同但参数独立，且不含几何仿射调制模块gam；

12、步骤s4：分别将所述局部逐点特征矩阵与所述全局特征向量投影降维；将降维后的全局特征向量沿点维度复制扩展，使其点数与降维后的局部特征矩阵一致；将扩展后的全局特征与降维后的局部特征矩阵沿通道维度拼接，得到融合特征矩阵；

13、步骤s5：将所述融合特征矩阵输入门控注意力聚合解码模块，依次执行门控权重生成、特征调制、查询特征与数值特征映射、注意力权重计算以及加权聚合运算，得到聚合特征向量；

14、s6：将所述聚合特征向量输入全连接解码网络，输出该查询点对应的隐式曲面预测值，所述隐式曲面预测值包括绝对距离预测值和符号logits预测值。

15、进一步的，所述几何仿射调制模块gam的执行过程包括：沿点维度计算每个通道的均值并做去均值处理；计算去均值特征在通道维度与点维度上的联合标准差，以该联合标准差对去均值特征进行归一化；使用每个通道独立的可学习缩放系数与偏置系数对归一化结果进行仿射变换。

16、进一步的，所述门控注意力聚合解码模块的执行过程包括：使用一维卷积对融合特征矩阵进行变换后经sigmoid激活生成门控权重矩阵；将门控权重矩阵与融合特征矩阵逐元素相乘得到调制特征；分别使用两个参数独立的一维卷积将调制特征的通道维度降至目标维度，生成查询特征矩阵与数值特征矩阵；对查询特征矩阵沿点维度做softmax归一化得到注意力权重矩阵，并沿通道维度取最大值得到各点的重要性权重；将数值特征矩阵与所述重要性权重进行加权求和，得到聚合特征向量。

17、进一步的，对于输入局部点云特征组，其中为局部邻域内的邻居点数量，为每个点的特征维度，表示第个中心点的第个邻居点的特征向量：

18、逐通道均值计算：对每一特征通道，沿邻居点维度计算均值，表示特征向量  在第  个通道上的数值， 为第  个通道的均值；

19、特征去中心化：计算， 为去中心化后的特征值；

20、联合标准差计算：；

21、全局归一化：，其中为极小常数；

22、可学习仿射变换：，其中，为逐通道可学习参数。

23、进一步的，步骤s5中所述门控注意力聚合解码模块的输出为查询点x处的隐式曲面参数预测向量，其中为绝对距离预测值，为符号logits预测值；

24、所述全连接解码网络包括：第一层全连接层将聚合特征向量从维度压缩至解码中间维度d，后经批归一化与relu激活得到隐藏层特征向量h；第二层全连接层将映射至二维输出空间，得到预测向量y。

25、进一步的，所述方法还包括训练阶段：

26、对训练集中多个点云-曲面样本对及其查询点重复执行步骤s1至s6，采用多任务联合学习策略，总损失函数，其中为基于范数的距离回归损失，为二元交叉熵符号分类损失，为平衡权重系数；利用反向传播算法端到端更新所有可训练参数直至收敛；

27、还包括推理阶段：对体素网格中各采样点重复执行步骤s1至s6估计带符号距离场，通过合成操作计算带符号距离估计值并应用移动立方体算法提取零等值面，得到最终重建的三维曲面网格。

28、进一步的，步骤s2中所述局部分支逐点特征提取网络由多层一维卷积、批归一化和relu激活函数组成，每层一维卷积后接批归一化和relu激活实现特征维度的逐级升维与抽象。

29、本发明第二方面提供一种点云隐式曲面重建装置，其特征在于，包括：

30、点集获取与对齐模块，用于获取以查询点x为中心的局部块点集和全局子采样点集，并将所述全局子采样点集进行以查询点为原点的坐标平移对齐；

31、几何仿射调制模块gam，用于将所述局部块点集的坐标特征进行自适应归一化与可学习仿射变换，包括：逐通道均值计算与去均值单元、跨通道与跨点联合标准差计算单元、全局归一化单元以及逐通道可学习仿射变换单元；

32、局部分支编码器，由多层一维卷积、批归一化和relu激活组成，用于接收调制后的坐标特征并输出保留点维度的局部逐点特征矩阵；

33、全局分支编码器，结构与所述局部分支编码器相同但参数独立且不含几何仿射调制模块gam，用于接收经平移对齐的全局子采样点集并输出经对称池化后的全局特征向量；

34、特征融合模块，用于将所述局部逐点特征矩阵与所述全局特征向量分别投影降维后拼接，得到融合特征矩阵；

35、门控注意力聚合解码模块，包括：门控权重生成单元，使用一维卷积与sigmoid激活生成门控权重矩阵；特征调制单元，将门控权重与融合特征逐元素相乘；查询/数值映射单元，使用两组独立一维卷积生成查询特征矩阵与数值特征矩阵；注意力权重计算单元，沿点维度做softmax归一化并沿通道维度取最大值得到重要性权重；加权聚合单元，将数值特征与重要性权重加权求和得到聚合特征向量；

36、全连接解码网络，用于将所述聚合特征向量映射为查询点对应的隐式曲面预测值，输出包括绝对距离预测值和符号logits预测值。

37、进一步的，所述装置还包括训练阶段模块：

38、对训练集中多个点云-曲面样本对及其查询点依次输入点集获取与对齐模块、几何仿射调制模块gam、局部分支编码器、全局分支编码器、特征融合模块、门控注意力聚合解码模块以及全连接解码网络，采用多任务联合学习策略，总损失函数，其中为基于范数的距离回归损失，为二元交叉熵符号分类损失，为平衡权重系数；利用反向传播算法端到端更新所有可训练参数直至收敛；

39、所述装置还包括推理模块：对体素网格中各采样点重复输入点集获取与对齐模块、几何仿射调制模块gam、局部分支编码器、全局分支编码器、特征融合模块、门控注意力聚合解码模块以及全连接解码网络进行估计带符号距离场，通过合成操作计算带符号距离估计值并应用移动立方体算法提取零等值面，得到最终重建的三维曲面网格。

40、本发明第三方面提供一种计算机设备，包括：

41、处理器；

42、存储器，用于存储所述处理器可执行的计算机程序；

43、其中，所述处理器执行所述计算机程序时实现上述点云隐式曲面重建方法的步骤。

44、与现有技术相比，本发明具有以下有益效果：

45、1、通过几何仿射调制模块gam，在特征提取之前对局部块点云坐标进行自适应的均值-方差归一化及可学习仿射变换，缓解了不同局部块之间因尺度、密度差异带来的特征分布偏移，增强了局部特征的一致性与判别力，提升了模型在不同物体类别间的泛化能力。

46、2、局部分支保留逐点特征而不做全局池化，使得后续聚合模块能够基于点级别的空间分布信息进行处理，相比直接对称池化保留了更丰富的几何结构信息，为门控注意力聚合提供了必要的信息基础。

47、3、采用门控注意力聚合解码模块替代对称池化与特征拼接，使网络能够根据融合特征的内容自适应地为不同点分配不同的聚合权重，增强了对局部几何细节（如孔洞、凹陷、薄壁结构等）的敏感度，提升了重建精度与细节保真度，尤其在噪声与稀疏采样条件下表现出更好的鲁棒性。

技术实现思路