【sensors论文阅读】Intelligent Point Cloud Processing, Sensing, and Understanding

Wang, M., Yue, G., Xiong, J., & Tian, S. (2024). Intelligent Point Cloud Processing, Sensing, and Understanding. Sensors , 24(1). https://doi.org/10.3390/s24010283

智能点云处理、感知和理解

1. 引言

尽管存在离散数据点之间的不规则拓扑结构，点云被认为是表示3D数字地貌的基本支柱之一[1]。近年来，传感器技术的最新进展[2]使获取点云数据以实现灵活且可扩展的几何表示成为可能，为普适感知和理解应用中的新思想、方法和解决方案的发展铺平了道路。现有的传感器技术，如激光雷达、立体摄像头和激光扫描仪[3]，可以从各种平台（例如卫星、航空器、无人机、车载、背包、手持、静止地面）[4,5]、视角（例如正射、斜视和侧视）[6]、光谱（例如多光谱）[7]和粒度（例如点密度和完整性）[8]使用。与此同时，许多基于计算机视觉和深度学习的有希望的方法已经被开发用于处理点云数据[9,10]。然而，点云在复杂和多样化的场景中的不断扩展应用，如自动驾驶[11]、机器人技术[12]、增强现实[13]和城市规划[14]，给现有的智能点云方法带来了新的挑战[15]。

最近，人工智能在从复杂点云数据中提取有价值信息方面发挥了巨大作用[16]。基于深度学习的模型[16]在各种点云任务中表现出色，如完整性[17]、压缩[18]、3D重建[19]、语义分割[19]和目标检测[20]。然而，面对日益复杂和动态的3D应用场景，更精确、高效和有效的方法变得愈发迫切[21]。因此，进一步研究改进智能点云处理、感知和理解能力具有重要意义。

本特刊收集了为生成、处理和分析各种格式的点云数据开发创新技术的有希望方法。来自中国、土耳其、罗马尼亚、葡萄牙、美国、意大利和韩国的总共十篇投稿（九篇常规文章和一篇综述）最终被接受发表。这些贡献涉及点云的多个方面，包括结构分析、实例分割、配准、3D网格的纹理映射、模型加速和部署、3D建模、上采样、植物部分分割、图像到点云的重建以及激光雷达点云（LPC）目标检测。下一节对本特刊收录的每篇贡献进行简要介绍。