买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉同济大学申请的专利一种基于邻域特征增强的流扩散模型点云生成方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119478234B 。

龙图腾网通过国家知识产权局官网在2025-10-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411628301.9，技术领域涉及：G06T17/00；该发明授权一种基于邻域特征增强的流扩散模型点云生成方法是由张冬冬;王宏程设计研发完成，并于2024-11-13向国家知识产权局提交的专利申请。

本一种基于邻域特征增强的流扩散模型点云生成方法在说明书摘要公布了：本发明公开了一种基于邻域特征增强的流扩散点云生成方法，包括：原始点云预处理；构建一个多尺度邻域特征聚合模块，该模块通过不同尺度的最近邻采样获取每个点的邻域坐标，并将这些坐标聚合成粗略的全局特征；构建一个邻域注意力特征增强模块，利用邻域坐标空间中的几何信息来增强特征空间中的粗略特征；利用点体素卷积神经网络减少增强特征中的冗余特征，并输出点云的潜在向量；设计一个特征到流数据转换模块，将潜在向量转换为数据一致的先验流特征，并无缝集成到降噪扩散模型中，以便从噪声点云中准确生成。本专利通过邻域特征增强和流扩散的结合，有效地生成高质量的3D点云。

本发明授权一种基于邻域特征增强的流扩散模型点云生成方法在权利要求书中公布了：1.一种基于邻域特征增强的流扩散点云生成方法，其特征在于，包括如下步骤： 步骤1：对需要编码的原始点云进行预处理，包括将点云数据归一化到[‑1,1]内，并将其划分为训练集、测试集和验证集； 步骤2：构建一个多尺度邻域特征聚合模块，所述的多尺度邻域特征聚合模块包括一个最远点采样组件、多个多尺度K最邻近组件和多个粗特征提取组件； 步骤3：构建一个邻域注意力特征增强模块，所述的邻域注意力的特征增强模块通过自注意力机制以及最远点采样将步骤2中得到的全局粗特征进行特征增强； 步骤4：利用点体素卷积神经网络减少步骤3输出的增强特征中的冗余特征，并输出点云的潜在向量； 步骤5：设计一个特征到流数据转换模块，所述特征到流数据转换模块通过仿射变换的方式映射为流数据实现；步骤4所输出的潜在向量通过特征到流数据转换模块将点云的采样概率变得具有连续性； 步骤6：将步骤5中的流数据输入进扩散模型中进行点云生成； 步骤7：将步骤6得到的生成点云与输入点云进行比对，计算损失； 步骤8：根据步骤7得到的总损失，使用Adam优化器，端到端的优化所述点云生成方法； 步骤9：循环执行步骤2‑步骤8，训练指定轮次，直至邻域特征增强的流扩散模型点云生成网络收敛，保存最优训练模型文件； 步骤10：根据实际使用需求选择性选择单个物体或多个物体总类进行训练并输出需要生成的物体类型； 所述步骤3，首先使用线性层将F映射到点云的高维初始特征图F′；同时对于输入中的每个点P，根据其空间位置找到16个最近的点，并获得这16个最近点的索引Nkpi，索引公式如下： 式中pa和pb是Pi中的任意两个点；然后，在高维初始特征图F′上分别使用三个全连接层来分别映射注意力键向量q、值向量k和查询向量v： q＝MLPQF′k＝MLPKF′v＝MLPVF′接着，位置编码PF通过分组操作将P中每个点pi的坐标与其K近邻索引Nkpi的坐标相结合，从而生成一个新的特征集并在和P的坐标之间进行逐点相减；通过设计的位置编码全连接层对相减结果进行编码，位置编码的公式如下： 通过将上述位置编码中使用的相同分组操作应用于键向量和索引Nkpi来重塑查询向量特征k′并将查询向量q和键向量k′以及位置编码PE拼接，经过所设计的多层感知器AttnMLP处理后，用softmax函数计算出注意力权重ai，对值向量v和位置编码PE进行加权求和，生成最终的聚合特征表示Fagg；Fagg反映了不同点与其相邻点的特征之间的差异和相似之处；注意力权重和聚合特征公式如下所示： Fagg＝∑ai·v+PE得到聚合的特征Fagg后通过全连接将其映射回原始特征空间，并通过残差连接添加到输入特征中，从而得到增强的特征表示Fout，过程如下公式所示： Fout＝MLPFagg+F′。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人同济大学，其通讯地址为：200092 上海市杨浦区上海市四平路1239号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。