基于 SO(3)-等变隐式形状表示的无对应点云配准
计算机视觉与模式识别
2021-11-29 v2 机器学习
摘要
本文提出一种无对应的点云旋转配准方法。我们利用等变神经网络的最新进展，为每个点云在学习到的特征空间中学习一种保持 SO(3)-等变性质的嵌入。所提出的形状配准方法通过结合等变特征学习与隐式形状模型实现了三大主要优势。首先，由于类似于 PointNet 的网络架构中的置换不变性质，去除了对数据关联的需求。其次，由于 SO(3)-等变性质，特征空间中的配准可使用 Horn 方法以闭式求解。第三，由于配准与隐式形状重建的联合训练，该配准对点云中的噪声具有鲁棒性。实验结果表明，与现有无对应深度配准方法相比具有优越性能。
引用
@article{arxiv.2107.10296,
title = {Correspondence-Free Point Cloud Registration with SO(3)-Equivariant Implicit Shape Representations},
author = {Minghan Zhu and Maani Ghaffari and Huei Peng},
journal= {arXiv preprint arXiv:2107.10296},
year = {2021}
}
备注
8 pages. 1 figure. CoRL 2021