用于点云远程配准的一致双流网络

部分观测的刚性配准是多个应用领域中的基础问题。在计算机图形学中，扫描设备生成的两片部分点云间的配准备受关注。最先进的配准技术在点云间重叠区域较小时仍举步维艰，而在扫描对之间无重叠时则完全失效。本文提出一种基于学习的技法以缓解该问题，并允许在任意位姿呈现、重叠甚少乃至全无的点云间配准——此设定被称为远程配准（tele-registration）。我们的技法基于一种新颖的神经网络设计，其学习某类形状的先验并能补全部分形状。核心思想是将配准与补全任务以相互增强的方式结合。具体地，我们利用两个耦合流同时训练配准网络与补全网络：一个流先配准后补全，另一个流先补全后配准，并促使两流产生一致结果。我们表明，相较单一流，该双流训练带来鲁棒可靠的远程配准，进而得到更好的、补全已配准扫描的点云预测。值得一提的是，我们网络中各组件在补全与配准上均优于最先进方法。我们通过若干消融研究进一步分析网络，并在大量仅有小重叠或无重叠的合成与真实部分点云上展示其性能。