煤矿综采工作面巷道的数字化三维重建过程中需要完整且密集的煤壁点云数据。受遮挡、视角限制等因素影响，采集的综采工作面煤壁点云数据往往不完整且稀疏，影响下游任务，需进行煤壁点云补全。目前缺少针对井下点云补全任务的数据集和网络模型，现有模型用于煤壁点云补全时存在点云密度分布不均匀、点云特征信息丢失等情况。针对该问题，构造了一种基于残差优化的煤壁点云补全网络模型，采用监督学习方式学习点云特征信息，通过最小化密度采样和残差网络迭代优化输出完整点云。采集煤矿井下真实综采工作面煤壁点云数据，预处理后筛选可用数据，通过模拟随机空洞制作煤壁点云缺失数据集，并用缺失数据集训练基于残差优化的煤壁点云补全网络模型。实验结果表明：与经典的FoldingNet，TopNet，AtlasNet，PCN，3D-Capsule点云补全网络模型相比，基于残差优化的煤壁点云补全网络模型针对构造的缺失煤壁点云和稀疏煤壁点云补全的倒角距离、地移距离及F1分数均能达到最优水平，整体补全效果最佳；针对实际缺失的煤壁点云，该模型能够实现有效补全。

0 引言
1 实验材料与方法
1.1 实验材料与数据获取
1.2 煤壁点云数据集构造
1.2.1 煤壁点云预处理
1.2.2 煤壁点云缺失数据集构建
1.3 基于残差优化的煤壁点云补全网络设计
1.3.1第一阶段粗点云生成
1.3.2第二阶段精细点云重构
1.4 损失函数
2 实验与结果分析
2.1 实验环境与设置
2.2 评价指标选取
2.3 不同模型对缺失煤壁点云的补全结果对比
2.4 不同模型对稀疏煤壁点云的补全结果对比
2.5真实缺失煤壁点云的补全结果分析
3结论