基于直接超点匹配的强基准点云配准方法
计算机视觉与模式识别
2024-04-01 v4
摘要
深度神经网络赋予下采样后的超点以高度判别性的特征表示。以往主导的点云配准方法首先将这类特征表示进行匹配，例如使用 Sinkhorn 算法。随后通常采用类 RANSAC 方法作为后处理精修以滤除离群点。另一类主导方法是利用学习的 MLP 层直接预测超点匹配。二者均有缺陷：基于 RANSAC 的方法计算密集，而基于预测的方法会输出点云中不存在的点。本文中，我们提出一种直接且有效的基准方法，以全局匹配方式寻找超点对应。我们采用归一化匹配分数作为各对应关系的权重，从而能够在拟合变换矩阵时无需依赖繁琐的 RANSAC 即可拒绝离群点并进一步对剩余内点加权。此外，整个模型可以端到端方式训练，从而获得更优精度。这一简单而有效的基准方法在 ModelNet、3DMatch 与 KITTI 三个数据集上取得了与最先进方法相当甚至更优的结果。我们并非主张我们的方法是点云配准的终极方案，而是借结果强调匹配策略对于点云配准的作用。代码与模型见 https://github.com/neu-vi/Superpoints_Registration。
引用
@article{arxiv.2307.01362,
title = {A Strong Baseline for Point Cloud Registration via Direct Superpoints Matching},
author = {Aniket Gupta and Yiming Xie and Hanumant Singh and Huaizu Jiang},
journal= {arXiv preprint arXiv:2307.01362},
year = {2024}
}