一种基于几何连续性与一致性学习的自监督点云补全方法

本发明提供了一种基于几何连续性与一致性学习的自监督点云补全方法，涉及点云数据处理领域，该方法对真实场景中的残缺点云数据进行预处理，进行统一降采样至预设点数，并将数据划分为训练数据集和测试数据集；输入点云数据，残缺点云上多次使用最远点采样，选取设定数量的轮廓点，并遮蔽预设比例的轮廓点；以轮廓点为中心，使用最近邻采样对轮廓点周围的点进行聚合，生成多尺度点云；将多尺度点云输入到多分支孪生网络中，生成粗略点云和精细点云；将原始点云输入部分移动平均网络中，生成伪标签。本发明通过引入几何连续性与一致性学习机制生成高分辨率的点云，利用多尺度自监督学习框架，显著提高点云补全的精度、效率与适应性。