基于隐式函数拟合的壁结构点云曲面重建方法与系统

本发明属于虚拟现实与增强现实，更具体地，涉及一种基于隐式函数拟合的壁结构点云曲面重建方法与系统。

背景技术：

1、壁结构是指曲面呈薄壁状，具有相互靠近的几何曲面部分，其法相距离远小于其他方向的尺寸的空间连续曲面结构体，如建筑物墙体、汽车车身、某些组织器官比如腹膜、胃壁，等等。

2、三维点云是对物理世界物体表面或空间环境进行离散化采样的数据集合，是三维数字化表达的一种基础形式。其核心构成单元是三维空间点，每个点至少包含其在给定坐标系下的三维位置信息，通常用笛卡尔坐标表示。为更全面地表征目标对象的几何与物理属性，点数据中常附加多种属性，形成“富信息点云”。尽管点云能够精确记录离散采样点，但在计算机图形学、仿真分析和制造等领域，往往需要一个具有明确表面连续性和拓扑连接关系的模型，曲面重建即是为了满足这一需求。将离散的、无序的三维点云数据转化为连续、光滑且具有拓扑结构的曲面模型的方法，即点云曲面重建方法。主要方法包括显式重建（如三角剖分、泊松重建）和隐式重建（如符号距离函数sdf、神经辐射场nerf）。

3、隐式重建通过数学函数（如sdf）将曲面定义为零等值面，具有拓扑无关性、连续性和鲁棒性等优势，能自然处理复杂拓扑和孔洞。然而，面对壁结构（如汽车外壳、飞机蒙皮）时，隐式重建面临严峻挑战：其依赖的“内部-外部”全局分区假设在薄壁区域失效，两侧距离极近导致梯度不稳定，易出现厚度膨胀、层合并或虚假闭合等问题，数值不准确性：由于使用离散点云本身（如最近点距离）作为监督代理，学习到的sdf值往往只是对离散样本的拟合，而非对连续真实表面的逼近，导致重建曲面粗糙或存在不合理的伪影。

技术实现思路

1、针对现有技术的以上缺陷或改进需求，本发明提供了，其目的在于，提供了一种基于隐式函数拟合的壁结构点云曲面重建方法与系统，通过优化神经隐式场拟合目标曲面的sdf函数训练采用的损失函数，将约束移动点的最近邻拉动损失以及验证约束点的最邻近拉动损失纳入训练监督，由此解决现有的基于影视函数拟合的曲面重建方法，难以区分空间点在薄壁结构内外，而导致重建的曲面粗糙或存在不合理的伪影技术问题。

2、为实现上述目的，按照本发明的一个方面，提供了一种基于隐式函数拟合的壁结构点云曲面重建方法，其包括以下步骤：

3、利用训练收敛的神经隐式场拟合目标曲面的sdf函数，预测空间内任意查询点的sdf值和梯度，其零等值面即点云重建曲面；

4、所述神经隐式场按照如下方法训练收敛：

5、将查询点坐标输入当前神经隐式场，预测其sdf值（有符号距离）和梯度；

6、初次拉动：将查询点沿其负梯度方向移动到当前神经隐式场的零等值面获得约束移动点，移动距离为预测的查询点的sdf值；具体如下：

7、

8、其中，为欧氏距离。

9、二次拉动：将查询点沿约束移动点的负梯度方向移动预测的查询点的sdf值，获得验证约束点；具体如下：

10、

11、构建损失函数，以损失函数最小化为目标迭代更新当前神经隐式场的权重矩阵直至收敛；所述损失函数体现约束移动点的最近邻拉动损失以及验证约束点的最邻近拉动损失。

12、优选地，所述基于隐式函数拟合的壁结构点云曲面重建方法，其所述损失函数与约束移动点的最近邻拉动损失正相关，且所述损失函数与验证约束点的最近邻拉动损失正相关。

13、优选地，所述基于隐式函数拟合的壁结构点云曲面重建方法，其所述约束移动点的最近邻拉动损失为约束移动点与点云最接近点的平方误差；所述验证约束点的最近邻拉动损失为验证约束点与点云最接近点的平方误差。

14、优选地，所述基于隐式函数拟合的壁结构点云曲面重建方法，其所述损失函数包括双重拉动损失；所述双重拉动损失定义为约束移动点的最近邻拉动损失以及验证约束点的最邻近拉动损失的平均和；所述双重拉动损失写作：

15、

16、其中，为查询点的总数量，为约束移动点的最近邻拉动损失，为验证约束点的最邻近拉动损失，按照如下方法计算：

17、

18、

19、其中，为点云点的总数量。

20、优选地，所述基于隐式函数拟合的壁结构点云曲面重建方法，其所述损失函数包括投影损失，所述投影损失为查询点在最近点云点的切平面法线方向上的投影的加权和，投影损失计算方法如下：

21、

22、其中，为权重，，为权重随sdf值变化的敏感度，为查询点在最近点云点的切平面法线方向上的投影点。

23、优选地，所述基于隐式函数拟合的壁结构点云曲面重建方法，其当查询点与最近点云点重合时，其在最近点云点的切平面法线方向上的投影值为零，其投影损失的计算公式简化为：

24、。

25、7.如权利要求1所述的基于隐式函数拟合的壁结构点云曲面重建方法，其特征在于，反向拉动：将约束移动点沿其梯度方向移动预测的查询点的sdf值，获得反向拉动点；具体如下：

26、

27、所述损失函数包括反向拉动损失，所述反向拉动损失为反向拉动点与查询点距离的加权和，反向损失计算方法如下：

28、。

29、优选地，所述基于隐式函数拟合的壁结构点云曲面重建方法，其损失函数写作：

30、

31、其中，，，为各项损失的加权系数。

32、优选地，所述基于隐式函数拟合的壁结构点云曲面重建方法，其所述目标曲面sdf函数，对于三维空间中的任意查询点，预测其对应的有符号距离值（sdf值）；梯度，通过网络的反向传播获取。

33、按照本发明的另一个方面，提供了一种基于隐式函数拟合的壁结构点云曲面重建系统，为电子设备或非暂态计算机可读存储介质；

34、所述电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现本发明提供的基于隐式函数拟合的壁结构点云曲面重建方法的步骤；

35、所述非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现本发明提供的基于隐式函数拟合的壁结构点云曲面重建方法的步骤。

36、总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

37、本发明提供的基于隐式函数拟合的壁结构点云曲面重建方法与系统，通过构造拉动线提出了查询点的双重拉动策略，并基于双重拉动策略构造训练监督采用的损失函数，在保留现有方法能将查询点拉动至重建表面上的优势的同时，强制位于同一拉动线上的所有查询点使用相同的梯度方向进行第二次拉动，通过约束这种拉动方式，损失函数能够对表面两侧sdf值符号相同的情况进行惩罚，从而能有效避免网络对重建表面两侧sdf值符号预测相同的问题，对于薄壁结构能获得更高的重建准确性和精度。

38、进一步的，设计了投影监督机制，优选方案使用查询点向量在该最近点云点的切平面法线上的投影作为该查询点处sdf值的监督，有效地提高了sdf值的预测精度。与此同时，由于各个表面点云点的法线具有唯一性，在表面两侧的查询点向量在同一个表面点云点法线上的投影值符号肯定异号，该方法天然可以提供符号监督。需要注意的是，我们并不需要提供真实的表面法线信息，法线可以使用神经网络在该处的梯度代替，这使得本文的方法能够有效重建未定向的点云。

39、优选方案，提出了一种反向拉动技术，通过反向拉动重建表面上的点，提高了神经网络在表面点处的sdf梯度的预测准确度，从而进一步提升双重拉动和投影监督方法的整体效果。

40、本发明在多个广泛使用的基准测试中表现出色，数值和视觉对比实验结果表明，本章的方法在复杂三维重建任务的有效性、准确性和鲁棒性方面超越了现有最先进的方法。