三维扫描点云去噪与补全技术
📚 共计 30 章节
01
点云去噪与补全概述
课程背景、应用领域（自动驾驶、文物修复、工业检测）、技术挑战与学习路径。
概述
应用
02
点云数据基础
点云的定义、表示方法（XYZ、RGB、强度）、常见数据格式（PCD、PLY、LAS）。
格式
表示
03
点云获取技术
激光雷达（LiDAR）、结构光、双目视觉、深度相机（如Kinect）的原理与特点。
LiDAR
深度相机
04
点云预处理
体素化降采样、均匀采样、随机采样、最远点采样（FPS）。
降采样
FPS
05
点云可视化
基于Open3D和Matplotlib的点云可视化、颜色映射、多视角展示。
Open3D
可视化
06
噪声类型与成因
高斯噪声、离群点、混叠噪声、运动模糊噪声的产生机理。
噪声
成因
07
统计滤波去噪
基于邻域统计的离群点去除（SOR），参数选择与实战。
SOR
统计滤波
08
半径滤波去噪
基于半径搜索的离群点去除，与统计滤波的对比。
半径滤波
对比
09
双边滤波去噪
保留边缘的平滑滤波，原理与Open3D实现。
双边滤波
边缘保留
10
MLS（移动最小二乘法）平滑
曲面拟合与重采样，适用于高精度去噪。
MLS
曲面拟合
11
基于深度学习的去噪
PointCleanNet、DMRNet等网络简介，训练与推理流程。
深度学习
PointCleanNet
12
点云补全问题定义
稀疏到稠密、局部到全局、缺失区域修复的数学建模。
补全
数学建模
13
传统补全方法
基于对称性、基于模板匹配、基于曲面插值（泊松重建）。
传统方法
泊松重建
14
深度补全网络（一）
PCN（Point Completion Network）架构详解。
PCN
架构
15
深度补全网络（二）
TopNet、Cascaded Refinement Network（CRN）原理。
TopNet
CRN
16
深度补全网络（三）
Transformer在点云补全中的应用（如PoinTr）。
Transformer
PoinTr
17
损失函数设计
Chamfer距离（CD）、Earth Mover‘s Distance（EMD）、F-Score。
CD
EMD
F-Score
18
评估指标
精度（Precision）、召回率（Recall）、F1-Score、CD/EMD数值解读。
评估
指标
19
数据增强
旋转、缩放、抖动、随机丢弃（Random Dropout）提升模型鲁棒性。
增强
鲁棒性
20
Open3D实战（一）
读取、可视化、统计滤波去噪完整流程。
Open3D
实战
21
Open3D实战（二）
半径滤波、MLS平滑、体素化下采样实战。
MLS
体素化
22
PyTorch实战（一）
自定义点云数据集类（Dataset与DataLoader）。
PyTorch
Dataset
23
PyTorch实战（二）
搭建简单的PointNet++去噪模型。
PointNet++
去噪
24
PyTorch实战（三）
训练PCN补全网络，监控损失曲线。
PCN
训练
25
PyTorch实战（四）
模型推理与结果可视化（补全前后对比）。
推理
可视化
26
工程化部署
ONNX导出、TensorRT加速、边缘设备（Jetson）适配。
ONNX
TensorRT
Jetson
27
案例实战（一）
自动驾驶场景——道路点云去噪与地面分割。
自动驾驶
地面分割
28
案例实战（二）
文物修复——残缺雕塑点云的补全与纹理映射。
文物修复
纹理映射
29
案例实战（三）
工业检测——零件表面缺陷点云的识别与修复。
工业检测
缺陷修复
30
课程总结与前沿展望
NeRF与3D Gaussian Splatting在点云补全中的新趋势。
NeRF
3DGS
前沿