[发明专利]一种基于transformer编码器的牙体点云补全方法及系统

权利要求书

1.一种基于transformer编码器的牙体点云补全方法，其特征在于，包括以下步骤：

S1、使用动态图卷积神经网络DGCNN对统一尺度后的牙体点云数据集处理，得到聚类中心并提取出中关键点的局部特征并根据聚类中心和局部特征得到特征矩阵

S2、利用transformer编码器对聚类中心和围绕各关键点的局部特征进行编码，挖掘出用于描述缺失部位牙齿的潜在向量使用一个多层感知机MLP从潜在向量预测出缺失牙齿的低分辨率点云Y_c；

S3、将低分辨率点云Y_c和潜在向量结合构成重构特征使用多尺度点云生成器从和Y_c恢复出高分辨率点云Y_f，组合Y_c和Y_f得到最终牙体点云Y_pred；

S4、通过最小化Y_pred和对应真实缺失牙齿金标准Y_gt之间的切夫距离，完成牙体补全模型的训练；

S5、使用训练好的牙体补全模型对测试数据进行补全，得到完整牙体点云，并使用指标进行评价。

2.根据权利要求1所述的一种基于transformer编码器的牙体点云补全方法，其特征在于，步骤S1包括以下步骤：

S11、设牙体点云数据集为S＝{(x₁,y₁),(x₂,y₂),...,(x_L,y_L)}，其中，x_i表示不完整牙体点云，y_i表示对应缺失牙齿金标准，i＝1,…,L，L表示数据集中样本数量；使用最远点采样FPS将牙体点云数据集中所有样本采样到相同的点数，并对其进行正则化得到尺度相同的牙体点云数据集；

S12、使用动态图卷积神经网络DGCNN对步骤S11最终得到的统一尺度后的牙齿点云数据集进行聚类，得到聚类中心该聚类中心包含若干关键点坐标，同时提取出围绕各关键点的局部特征

S13、使用两个不同的多层感知机MLP分别对和处理，并将处理结果相加在一起作为不完整牙体点云的特征；不完整牙体点云的特征矩阵为：

其中，其中和分别是处理和的第一多层感知机和第二多层感知机，表示不完整牙体点云的特征矩阵。

3.根据权利要求1所述的一种基于transformer编码器的牙体点云补全方法及系统，其特征在于，步骤S2具体为：

transformer编码器根据步骤S1中获取的特征矩阵按照聚类中心中的关键点坐标进行查询，然后通过线性层的特征聚合和最大池化来进一步学习局部几何结构；聚类中心提供语义特征信息和编码器学习结构特征信息，把语义特征信息和编码器学习结构特征信息结合起来，将transformer编码器的结果作为潜在向量该潜在向量描述了缺失部位的几何结构和数值范围；接着使用一个多层感知机从潜在向量中预测出低分辨率点云Y_c；潜在向量和低分辨率点云Y_c的表达式为：

其中，是特征矩阵，是用于预测低分辨率点云Y_c的第三多层感知机。

4.根据权利要求1所述的一种基于transformer编码器的牙体点云补全方法，其特征在于，步骤S3具体为：

多尺度点云生成器包括第四多层感知机和第五多层感知机，首先，将步骤S2得到的潜在向量和低分辨率点云从第一维度连接在一起作为重建特征第四多层感知机从预测出分辨率较高的中间点云，然后将中间点云与进一步按第一维度连接在一起，作为第五多层感知机的输入，第五多层感知机预测出高分辨率点云Y_f，最后将Y_f和Y_c按第一维度拼接在一起作为最终的预测点云Y_pred；重建特征和最终的预测点云Y_pred的公式表示为：

其中，表示重建特征，和分别表示第四多层感知机和第五多层感知机，表示矩阵连接操作。