3DMatch：从 RGB-D 重建中学习局部几何描述子
计算机视觉与模式识别
2017-04-11 v3
摘要
在真实世界深度图像上匹配局部几何特征是一项具有挑战性的任务，因为3D扫描数据具有噪声、低分辨率和不完整的性质。这些困难限制了当前基于几何属性直方图的最先进方法的性能。在本文中，我们提出3DMatch，一种数据驱动的模型，学习用于建立部分3D数据之间对应关系的局部体积块描述子。为了积累模型的训练数据，我们提出一种自监督特征学习方法，利用现有RGB-D重建中发现的数百万对应标签。实验表明，我们的描述子不仅能够在新的场景中进行重建时匹配局部几何，还能泛化到不同任务和空间尺度（例如Amazon Picking Challenge的实例级物体模型对齐，以及网格表面对应）。结果显示3DMatch持续大幅优于其他最先进方法。代码、数据、基准和预训练模型可在 http://3dmatch.cs.princeton.edu 在线获取。
引用
@article{arxiv.1603.08182,
title = {3DMatch: Learning Local Geometric Descriptors from RGB-D Reconstructions},
author = {Andy Zeng and Shuran Song and Matthias Nießner and Matthew Fisher and Jianxiong Xiao and Thomas Funkhouser},
journal= {arXiv preprint arXiv:1603.08182},
year = {2017}
}
备注
To appear at the Conference on Computer Vision and Pattern Recognition (CVPR) 2017. Project webpage: http://3dmatch.cs.princeton.edu