基于深度学习的大规模彩色点云联合几何与属性上采�方法
计算机视觉与模式识别
2025-07-01 v1
摘要
彩色点云包括几何和属性组成部分，是实现逼真和沉浸式3D应用的主流表示方法。为了生成大规模且更稠密的彩色点云，我们提出一种基于深度学习的联合几何与属性上采�(JGAU)方法，该方法学习同时建模几何和属性模式，同时利用空间属性相关性。首先，我们建立并发布了一个规模庞大的彩色点云上采�数据集，名为SYSU-PCUD，包含121个大规模彩色点云，覆盖六个类别和四个采样率，具有多样化的几何和属性复杂度。其次，为了提高上采样点云的质量，我们提出一种基于深度学习的JGAU框架，用于联合上采�几何和属性。该框架由几何上采�网络和属性上采�网络组成，后者利用上采�后的辅助几何来建模属性的邻域相关性。第三，我们提出两种粗糙属性上采�方法，即几何距离加权属性插值(GDWA)和基于深度学习的属性插值(DLAI)，用于为每个点生成粗糙的上采样属性。然后，引入属性增强模块，以进一步利用内在属性和几何模式，细化这些上采样属性，产生高质量的点云。广泛的实验表明，所提出的JGAU方法在上采样率为4倍、8倍、12倍和16倍时，分别实现了33.90 dB、32.10 dB、31.10 dB和30.39 dB的峰值信噪比(PSNR)。与当前最先进的方法相比，JGAU在这四个上采样率上分别实现了2.32 dB、2.47 dB、2.28 dB和2.11 dB的平均PSNR提升，显著改善了性能。
关键词
引用
@article{arxiv.2506.22749,
title = {Deep Learning based Joint Geometry and Attribute Up-sampling for Large-Scale Colored Point Clouds},
author = {Yun Zhang and Feifan Chen and Na Li and Zhiwei Guo and Xu Wang and Fen Miao and Sam Kwong},
journal= {arXiv preprint arXiv:2506.22749},
year = {2025}
}