APR：通过聚合点云重建的在线远距离点云配准
计算机视觉与模式识别
2023-05-09 v2
摘要
对于许多驾驶安全应用而言，精确配准在远距离移动车辆上生成的 LiDAR 点云至关重要。然而，此类点云在同一物体上具有极为不同的点密度与传感器视角，使得在此类点云上的配准非常困难。本文中，我们提出一种新颖的特征提取框架，称为 APR，用于在线远距离点云配准。具体而言，APR 利用自编码器设计，其中自编码器以若干帧重建一个更密集的聚合点云，而非原始的单帧输入点云。我们的设计迫使编码器基于单一输入点云提取富含局部几何信息的特征。此类特征随后用于在线远距离点云配准。我们在 KITTI 与 nuScenes 数据集上针对最先进（SOTA）特征提取器进行了大量实验。结果表明，APR 大幅优于所有其他提取器，在 LoKITTI 上将 SOTA 提取器的平均配准召回率提升 7.1%，在 LoNuScenes 上提升 4.6%。代码见 https://github.com/liuQuan98/APR。
引用
@article{arxiv.2305.02893,
title = {APR: Online Distant Point Cloud Registration Through Aggregated Point Cloud Reconstruction},
author = {Quan Liu and Yunsong Zhou and Hongzi Zhu and Shan Chang and Minyi Guo},
journal= {arXiv preprint arXiv:2305.02893},
year = {2023}
}
备注
in Proceedings of the International Joint Conference on Artificial Intelligence (IJCAI), 2023