基于注意力引导的高斯混合模型部分点集注册参考点平移
计算机视觉与模式识别
2026-04-02 v2 图形学
摘要
本研究探讨了在点集平移和旋转下，基于深度学习和高斯混合模型 (GMM) 的部分到部分点集注册特征向量不变性问题，尤其关注基于深度学习的注册方法在 GMMs 中的实际应用。我们揭示了使用 GMMs 实现深度学习注册方法的理论与实际问题，特别关注 DeepGMR 这一先驱性研究在部分到部分点集注册中的局限性。我们的主要目标是揭示这些方法的根源并提出可理解的解决方案。为此，我们引入一种基于注意力的参考点平移 (ARPS) 层，稳健地识别两个部分点集的公共参考点，从而获取具有转换不变性的特征。ARPS 层采用已研究的注意力模块寻找公共参考点而非重叠区域。由于此设计，它显著提升了 DeepGMR 及其最新变体 UGMMReg 的性能。进一步地，这些扩展模型甚至在使用注意力模块和 Transformer 提取重叠区域或公共参考点的先前深度学习方法中也表现出色。我们认为，这些发现为使用深度学习和 GMMs 的注册方法提供了更深入的洞见。
引用
@article{arxiv.2512.02496,
title = {Attention-guided reference point shifting for Gaussian-mixture-based partial point set registration},
author = {Mizuki Kikkawa and Tatsuya Yatagawa and Yutaka Ohtake and Hiromasa Suzuki},
journal= {arXiv preprint arXiv:2512.02496},
year = {2026}
}
备注
16 pages, 9 figures, 7 tables