学位论文简介

近年来点云已成为描述三维场景和物体结构的主要数据形式之一。然而，由于遮挡以及传感器噪声等问题，实际采集的点云往往是不完整的，这对后续任务造成了极大挑战。随着点云在增强现实等领域的广泛应用，对高质量、完整三维数据的需求日益增长，点云补全的重要性也日益凸显。为了解决点云补全研究中存在的诸多问题和挑战，本文主要进行了以下三个方面的研究：

(1) 为了应对现有的全监督点云补全方法在推理能力上的不足，提出了一种基于多个均匀三维先验变形的全监督点云补全网络。该方法设计了一种基于 MAE 的编码器，能够有效提取部分点云的局部与全局特征，增强模型对几何结构的理解与表达能力。此外，该方法还提出了一种基于变形的点生成器，采用立方体引导的变形器，在全局特征引导下将多个均匀的三维立方体先验变形成完整点云，引入两阶段细化机制实现逐步优化，并结合基于点的判别器进行对抗优化，有效提升补全结果的结构完整性与细节还原效果。

(2) 为了解决全监督点云补全方法在训练过程中对真值点云的严重依赖问题，提出了一种基于部分点云多视角增强的自监督点云补全网络。该方法基于单一部分点云设计多视角增强策略，构建具有有效约束力的自监督信号，以提升模型对多样化缺失形状的适应能力，增强补全结果的完整性与一致性。此外，首次将 Mamba 应用于自监督点云补全任务，设计了一种基于 Mamba 的编码器，以提升编码器的全局结构感知与局部细节表达能力。

(3) 为了进一步提升自监督点云补全方法的性能，提出了一种融合点域和图像域自监督信号的点云补全网络。该方法设计了基于初始部分点云局部补丁遮蔽的数据增强策略，构建了三组具有有效约束力的点域自监督信号，提升模型对多样化缺失形状的适应性与鲁棒性。此外，该方法还利用可微分映射器将预测点云投影为深度图，在图像域构建有效的自监督信号，补充点域自监督信号在形状约束方面的局限。

主要学术成果

[1] 鲁敬敬,秦云川,刘志中,唐卓,张拥军,李肯立.机器人操作系统ROS安全性研究综述.软件学报,2024,35(2):1010-1027 (CCF中文 A类, 第一作者)

[2] Lu Jingjing, Qin Yunchuan, Wu Fan, Liu Zhizhong, Li Kenli, Li Ruihui. DeformingNet: Deforming Multiple Uniform 3D Priors for 3D Point Cloud Completion[C]//2024 IEEE International Conference on Multimedia and Expo (ICME). IEEE, 2024: 1-6.(CCF B类, 第一作者)

[3] Lu Jingjing, Jiapeng Zhang, Qin Yunchuan, Li Ruihui, Zhuo Tang, Li Kenli. Self-Supervised Point Cloud Completion Incorporating Self-Supervision in the Point Domain and the Image Domain[C]//European Conference on Artificial Intelligence. 2025.(CCF B类, Under review, 第一作者）