3D点云数据缺失补全实战：基于深度学习的点云修复技术解析

1次阅读

没有评论

共计 1845 个字符，预计需要花费 5 分钟才能阅读完成。

在 3D 视觉任务中，点云缺失是绕不开的难题。我遇到过最典型的两种场景：

LiDAR 遮挡 ：比如自动驾驶场景中，前车遮挡导致后方车辆点云残缺，就像拍照时被路人挡了镜头
传感器噪声 ：低反射率物体（如黑色车辆）或远距离物体，LiDAR 返回的点云稀疏得像被啃过的苹果

这些缺失可不是小事。上周用残缺点云训练检测模型时，漏检率直接飙到 30%。SLAM 建图更惨，缺失区域会出现诡异的 ” 黑洞 ”。

泊松重建 ：适合表面完整的物体，但遇到大范围缺失就歇菜
RBF 插值 ：计算量大不说，补出来的点像被过度 PS 的网红脸
最近邻填充 ：简单粗暴，但会形成不自然的点簇

重点说说让我眼前一亮的 PCN 网络（Point Completion Network）：

编码器 ：用 PointNet 提取全局特征，像把残缺点云拍成 ” 脑部 CT”
解码器 ：分两阶段输出，先粗粒度补全（1024 点），再精修（16384 点）
损失函数 ：Chamfer Distance 计算两组点云最近距离之和，公式长这样：

$$CD(S_1,S_2)=\frac{1}{|S_1|}\sum_{x\in S_1}\min_{y\in S_2}||x-y||^2_2 + \frac{1}{|S_2|}\sum_{y\in S_2}\min_{x\in S_1}||x-y||^2_2$$

对比 PointNet++ 这类逐点预测的方法，PCN 在保持细节方面更胜一筹。最新出的 PoinTr 虽然精度更高，但训练需要的显存也水涨船高。

先上核心代码片段（完整代码见文末 GitHub 链接）：

# 点云采样：处理不同密度输入
def random_sample(pc, n_samples):
    """pc: [B, N, 3], return [B, n_samples, 3]"""
    idx = torch.randint(0, pc.shape[1], (pc.shape[0], n_samples))
    return torch.gather(pc, 1, idx.unsqueeze(-1).expand(-1, -1, 3))

# PCN 编码器结构
class Encoder(nn.Module):
    def __init__(self):
        super().__init__()
        self.mlp = nn.Sequential(nn.Conv1d(3, 128, 1),  # 输入 xyz 坐标
            nn.BatchNorm1d(128),
            nn.ReLU(),
            nn.Conv1d(128, 256, 1)
        )
        self.fc = nn.Linear(256, 1024)  # 全局特征

    def forward(self, x):
        # x: [B, N, 3] -> [B, 1024]
        x = x.transpose(2, 1)  # [B, 3, N]
        x = self.mlp(x)        # [B, 256, N]
        x = torch.max(x, 2)[0] # [B, 256]
        return self.fc(x)      # [B, 1024]

处理 KITTI 数据时要注意坐标转换：

def kitti_to_pcd(bin_path):
    """将 KITTI 的.bin 文件转为 PyTorch 张量"""
    points = np.fromfile(bin_path, dtype=np.float32).reshape(-1, 4)
    return torch.from_numpy(points[:, :3])  # 取 xyz 舍去反射率