基于鲁棒最优传输的精确点云配准
计算机视觉与模式识别
2021-11-02 v1 计算几何
摘要
本工作研究了鲁棒最优传输（optimal transport, OT）在形状匹配中的使用。具体而言，我们表明近期的最优传输求解器改进了用于点云配准的基于优化和深度学习的方法，以可接受的计算代价提升了精度。本文从现代最优传输理论的实用性概述开始，随后给出了使用该框架进行形状匹配时主要难点的解决方案。最后，我们在广泛具有挑战性的任务上展示了传输增强配准模型的性能：部分形状的刚体配准；Kitti数据集上的场景流估计；以及吸气与呼气之间肺血管树的非参数配准。我们的基于OT的方法在Kitti和具有挑战性的肺配准任务上均取得了最先进（state-of-the-art, SOTA）的结果，无论是在精度还是可扩展性方面。我们还发布了PVT1010，一个包含1,010对密集采样点的肺血管树的新公开数据集。该数据集为点云配准算法提供了具有高度复杂形状和形变的挑战性用例。我们的工作表明，鲁棒OT能够为广泛的配准模型提供快速预对齐与微调，从而为计算机视觉工具箱提供了一种新的关键方法。我们的代码与数据集可在 https://github.com/uncbiag/robot 在线获取。
引用
@article{arxiv.2111.00648,
title = {Accurate Point Cloud Registration with Robust Optimal Transport},
author = {Zhengyang Shen and Jean Feydy and Peirong Liu and Ariel Hernán Curiale and Ruben San Jose Estepar and Raul San Jose Estepar and Marc Niethammer},
journal= {arXiv preprint arXiv:2111.00648},
year = {2021}
}
备注
Accepted in NeurIPS 2021