面向点云配准的密友配准方法
计算机视觉与模式识别
2020-10-06 v1
摘要
我们针对点云配准问题提出了新颖且鲁棒的损失函数。我们的损失函数受最佳伙伴相似度（Best Buddies Similarity, BBS）度量启发，该度量统计两个点集之间的相互最近邻数量。在图像模板匹配中，该度量已被证明对离群点和缺失数据具有鲁棒性。我们提出了若干算法，统称为最佳伙伴配准（Best Buddy Registration, BBR），每种算法均由用 Adam 梯度下降优化这些损失函数之一构成。这些损失函数在多个方面存在差异，包括所使用的距离函数（点对面 vs. 点对点），以及 BBS 度量如何与点对之间的实际距离相结合。在合成与真实多种数据集上的实验证明了 BBR 算法的有效性，表明它们对噪声、离群点和干扰物相当鲁棒，并能很好地应对极度稀疏的点云。其中一个变体 BBR-F 在配准相隔达数秒的汽车激光雷达扫描（来自 KITTI 和 Apollo-Southbay 数据集）中达到了最先进的精度。
引用
@article{arxiv.2010.01912,
title = {Best Buddies Registration for Point Clouds},
author = {Amnon Drory and Tal Shomer and Shai Avidan and Raja Giryes},
journal= {arXiv preprint arXiv:2010.01912},
year = {2020}
}
备注
Accepted to ACCV 2020