MPGLNet: Multi-scale progressive global–local fusion dental point cloud complementation network

Lin Zhang

doi:10.1016/j.bspc.2025.108394

MPGLNet: Multi-scale progressive global–local fusion dental point cloud complementation network

2025-08-02

0

PRE

AI

DOI：10.1016/j.bspc.2025.108394

原文链接

原文求助

摘要

En 中文

3D扫描设备用于捕捉口腔疾病的应用正经历显著增长，且由此生成的3D牙科模型质量在修复口腔问题时尤为重要。然而，获取的点云数据常为稀疏和不完整的，导致信息缺失。为解决此问题，我们构建了一个高分辨率牙科点云补全网络MPGLNet，以输出密集且完整的牙齿点云。MPGLNet以粗到精的方式运行。首先，我们在编码器中集成了局部-全局引导感知模块（LGGP），以协同学习局部和全局特征，同时引入引导学习以增强点间相关性。接着，使用种子生成器生成粗略且完整的牙齿点云骨架。最后，我们在解码器中使用三阶段渐进多尺度注意力特征融合上采样块（PMA UpBlock），逐步进行跨尺度融合并重建牙齿的复杂几何结构。在此过程中，上采样块逐步增加点数以预测精细、完整、高分辨率的牙齿点云。我们在牙齿点云补全数据集上进行了一系列实验，并与当前领域代表性工作及近年来在点云补全任务中表现良好的最新算法进行比较。我们的MPGLNet在四个评估指标（CDL1、CDL2、EMD和DCD）上相较于其他模型均达到最佳性能，这体现在补全精度、几何细节恢复以及生成点云的均匀性方面。该创新算法的独特性在于其能够全面感知不同层级点云特征的变化，有效从各个角度提取详细的牙科点云特征。本研究不仅验证了多尺度特征融合策略在牙齿点云补全任务中的有效性，还展示了其在数字口腔医学、口腔修复及智能诊疗建模等实际场景中的应用潜力，为推动AI辅助牙科重建提供了新见解。我们的代码可在https://github.com/labiip/MPGLNet获取。

Keyword:

3D dental modeling

point cloud completion

multi-scale feature fusion

dental restoration

AI-assisted diagnosis

MPGLNet: Multi-scale progressive global–local fusion dental point cloud complementation network

摘要

期刊

机构

引用论文