相干点漂移网络：非刚性点集配准的无监督学习
图形学
2019-07-30 v5 计算机视觉与模式识别
摘要
给定新的源点集与目标点集对，标准点集配准方法常重复执行独立的迭代搜索以求得所需几何变换，将源点集与目标点集对齐。这限制了它们在处理大容量数据集实时点集配准应用中的使用。本文提出一种新方法，称为相干点漂移网络（CPD-Net），用于几何变换的无监督学习，以实现实时非刚性点集配准。与先前工作（如相干点漂移）不同，CPD-Net可从训练数据集学习位移场函数以估计几何变换，从而无需任何额外迭代优化过程即可预测先前未见过点集对所需的几何变换。此外，CPD-Net利用深度神经网络的拟合任意函数能力，自适应地适应所需几何变换的不同复杂度级别。特别地，CPD-Net被证明具有学习连续位移向量函数的理论保证，可进一步避免如先前工作那样施加额外的参数化平滑约束。我们的实验在多种2D/3D数据集上验证了CPD-Net在非刚性点集配准上的优异性能，即便在存在显著位移噪声、离群点与缺失点的情况下。我们的代码将发布于 https://github.com/nyummvc/CPD-Net。
引用
@article{arxiv.1906.03039,
title = {Coherent Point Drift Networks: Unsupervised Learning of Non-Rigid Point Set Registration},
author = {Lingjing Wang and Xiang Li and Jianchun Chen and Yi Fang},
journal= {arXiv preprint arXiv:1906.03039},
year = {2019}
}