用于鲁棒点云配准的自适应多步细化网络
计算机视觉与模式识别
2025-04-01 v2
摘要
点云配准（PCR）估计同一场景的两个点云之间的相对刚性变换。尽管基于学习的方法取得了重大进展，但当两个点云之间的重叠区域较小时，现有方法仍面临挑战。在本文中，我们提出了一种自适应多步细化网络，该网络通过利用前一步的信息来细化每一步的配准质量。为了实现这一点，我们引入了一种训练过程和一种细化网络。首先，为了使网络适应当前步骤，我们利用了一种广义单向注意力机制，该机制优先考虑上一步估计的重叠区域，并以步索引为网络设置条件。其次，我们不是训练网络将随机变换或固定的预训练模型的估计映射到 ground truth，而是在具有不同配准质量（从准确到不准确）的变换上训练它，从而增强网络的适应性和鲁棒性。尽管概念上简单，我们的方法在 3DMatch/3DLoMatch 和 KITTI 基准测试上均取得了 SOTA 性能。值得注意的是，在 3DLoMatch 上，我们的方法达到了 80.4% 的召回率，绝对提升了 1.2%。
引用
@article{arxiv.2312.03053,
title = {Adaptive Multi-step Refinement Network for Robust Point Cloud Registration},
author = {Zhi Chen and Yufan Ren and Tong Zhang and Zheng Dang and Wenbing Tao and Sabine Süsstrunk and Mathieu Salzmann},
journal= {arXiv preprint arXiv:2312.03053},
year = {2025}
}
备注
Accepted at TMLR'25