CoFiNet：用于鲁棒点云配准的可靠粗到细对应关系
计算机视觉与模式识别
2021-10-28 v1 人工智能
摘要
我们研究了提取点云对之间对应关系以进行配准的问题。在对应关系检索方面，现有工作受益于从密集点中检测到的稀疏关键点进行匹配，但通常难以保证其可重复性。为了解决这个问题，我们提出了CoFiNet——一种粗到细网络，无需关键点检测即可从粗到细提取层次化对应关系。在粗尺度上，在加权方案的引导下，我们的模型首先学习匹配下采样节点，这些节点的邻近点共享更多重叠，从而显著缩小后续阶段的搜索空间。在更细的尺度上，节点提议被连续扩展为包含点组及相关描述子的块。然后通过密度自适应匹配模块从对应块的重叠区域中细化点对应关系，该模块能够处理变化的点密度。在室内和室外标准基准上的广泛评估表明，我们的方法优于现有方法。特别是在点云重叠较少的3DLoMatch上，CoFiNet在配准召回率上至少比最先进方法高出5%，而参数最多仅为它们的三分之二。
引用
@article{arxiv.2110.14076,
title = {CoFiNet: Reliable Coarse-to-fine Correspondences for Robust Point Cloud Registration},
author = {Hao Yu and Fu Li and Mahdi Saleh and Benjamin Busam and Slobodan Ilic},
journal= {arXiv preprint arXiv:2110.14076},
year = {2021}
}
备注
Accepted to NeurIPS 2021