3D元注册：学习注册三维点云的学习方法
计算机视觉与模式识别
2020-10-23 v1
摘要
基于深度学习的点云注册模型通常通过对大量数据的广泛训练来泛化，从而学习预测所需的几何变换以注册三维点云的能力。本文中，我们提出一种基于元学习的3D注册模型，称为 3D Meta-Registration，其能够快速适应并良好泛化到针对未见三维点云的新3D注册任务。我们的 3D Meta-Registration 通过对多种3D注册任务进行训练获得竞争优势，从而得到针对注册任务分布（包括潜在未见的任务）最佳性能的优化模型。具体而言，所提出的 3D Meta-Registration 模型由两个模块组成：3D注册学习器和3D注册元学习器。在训练期间，3D注册学习器被训练以完成特定注册任务，旨在确定将源点云与目标点云对齐所需的几何变换。同时，3D注册元学习器被训练以基于所学任务分布为3D注册学习器提供最优参数更新。训练后，通过学习到3D注册任务分布优化覆盖的3D注册元学习器，能够以期望参数动态更新3D注册学习器，从而快速适应新注册任务。我们在合成数据集 ModelNet 和 FlyingThings3D 以及真实世界数据集 KITTI 上测试了我们的模型。实验结果表明，3D Meta-Registration 优于其他先前技术（如 FlowNet3D）。
引用
@article{arxiv.2010.11504,
title = {3D Meta-Registration: Learning to Learn Registration of 3D Point Clouds},
author = {Lingjing Wang and Yu Hao and Xiang Li and Yi Fang},
journal= {arXiv preprint arXiv:2010.11504},
year = {2020}
}