BiEquiFormer：用于全局点云配准的双等变表示
计算机视觉与模式识别
2024-08-15 v2 机器学习
摘要
本文旨在解决全局点云配准（PCR）问题，即在扫描的初始姿态无关的情况下找到点云的最佳对齐。这一问题对于经典优化方法而言颇具挑战性，因计算限制。首先，我们展示了最新深度学习方法在点云任意放置在空间时会出现显著性能下降。我们提出应利用等变深度学习来解决此任务并对 PCR 的特定双等变性进行表征。然后，我们设计了 BiEquiformer，这是一个新颖且可扩展的双等变管线，即对输入点云的独立变换等变。虽然一种天真的方法会独立处理点云，但我们设计了能够融合两个点云信息的表达性双等变层。这使我们能够提取高质量的超点对应关系，从而实现稳健的点云配准。广泛的比较表明，在标准设置下，我们的方法在 3DMatch 和具有挑战性的低重叠 3DLoMatch 数据集上实现了与最新方法相当的性能，同时在稳健设置下表现优异。
引用
@article{arxiv.2407.08729,
title = {BiEquiFormer: Bi-Equivariant Representations for Global Point Cloud Registration},
author = {Stefanos Pertigkiozoglou and Evangelos Chatzipantazis and Kostas Daniilidis},
journal= {arXiv preprint arXiv:2407.08729},
year = {2024}
}