结构感知双解码器点云补全网络用于室内LiDAR场景补全与语义分割
《Sensors》:SDD-PCN: Structure-Aware Dual-Decoder Learning for Joint Completion and Semantic Segmentation of Partial Indoor Point Clouds
【字体:
大
中
小
】
时间:2026年09月23日
来源:Sensors 4.0
摘要
由激光雷达(LiDAR)获取的部分室内点云通常受到遮挡、视点受限和非均匀采样的影响,使得在保持建筑结构语义和室内物体语义的同时恢复完整的场景几何变得困难。针对这一挑战,我们提出了结构感知双解码器点云补全网络(SDD-PCN),用于实现点云补全与语义分割的联合任务。SDD-PCN 首先将建筑结构从室内物体中分离出来,并分别应用专用的多分辨率编码器来捕捉它们各自独特的几何特征。所得到的局部特征与全局场景表示相融合,随后由并行的补全流和分割流进行处理,在渐进式解码过程中进行信息交换。我们进一步构建了 Partial-S3DIS 数据集,它是斯坦福大规模三维室内空间(S3DIS)数据集的部分场景扩展版本,包含由272个已标注房间通过传感器感知的LiDAR模拟生成的1632组部分-完整场景对。实验表明,在× 的报告约定下,SDD-PCN 实现了分别为16.73和15.27的CD-L1和CD-L2(倒角距离的L1范数和平方L2范数)。与整体表现最强的基线模型 ProtoFormer 相比,SDD-PCN 将CD-L1降低了3.96%,CD-L2降低了7.90%,同时在十个场景类别中的八个取得了最优的补全性能。该模型还实现了87.23%的总体准确率(OA)、74.33%的平均类别准确率(mAcc)和63.62%的平均交并比(mIoU),在所有三个语义指标上均优于同等任务匹配的语义场景补全基线方法。消融实验和鲁棒性分析表明,结构感知编码和双流特征交互显著提升了几何恢复效果,尤其是在中等和严重缺失的情况下。这些结果表明,显式建模室内结构异质性为统一的基于点的场景补全与语义理解提供了有效的基础。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号