D3Former：通过显著性引导的Transformer联合学习可重复密集检测器与特征增强描述子
计算机视觉与模式识别
2023-12-21 v1
摘要
建立准确且具代表性的匹配是解决点云配准问题的关键步骤。一种常用的方法是检测具有显著几何特征的关键点，随后将这些关键点从点云的一帧映射到另一帧。然而，此类方法受限于采样关键点的可重复性。在本文中，我们引入了一种显著性引导的trans\textbf{former}，称为\textit{D3Former}，它涉及可重复\textbf{密集} \textbf{检测器}和特征增强\textbf{描述子}的联合学习。该模型由特征增强描述子学习（FEDL）模块和可重复关键点检测器学习（RKDL）模块组成。FEDL模块利用区域注意力机制增强特征的显著性，而RKDL模块专注于检测可重复的关键点以增强匹配能力。在具有挑战性的室内和室外基准上的广泛实验结果表明，我们提出的方法始终优于最先进的点云匹配方法。值得注意的是，在3DLoMatch上的测试表明，即使在低重叠率下，我们的方法也始终优于最近发表的方法，如RoReg和RoITr。例如，在提取的关键点数量减少到250时，RoReg、RoITr和我们的方法的配准召回率分别为64.3\%、73.6\%和76.5\%。
关键词
引用
@article{arxiv.2312.12970,
title = {D3Former: Jointly Learning Repeatable Dense Detectors and Feature-enhanced Descriptors via Saliency-guided Transformer},
author = {Junjie Gao and Pengfei Wang and Qiujie Dong and Qiong Zeng and Shiqing Xin and Caiming Zhang},
journal= {arXiv preprint arXiv:2312.12970},
year = {2023}
}
备注
15 pages, 6 figures