DBDNet：基于双分支解耦的局部到局部点云配准
计算机视觉与模式识别
2024-10-28 v1
摘要
点云配准在各种计算机视觉任务中起着关键作用，实践中通常要求解决部分重叠配准问题。现有大多数方法对旋转和平移进行串行计算，同时在配准过程中联合预测重叠区域，这种耦合往往会降低配准性能。本文提出一种用于局部到局部配准的有效双分支解耦配准方法，称为 DBDNet。具体而言，我们引入双分支结构，通过分别构建两个独立的对应矩阵来消除旋转与平移之间的相互干扰误差。针对局部到局部配准，我们将重叠预测视为配准流程之前的前置排序任务。相应地，我们提出一种受益于显式特征交互的重叠预测器，其通过强大的注意力机制实现以准确预测逐点掩码。此外，我们设计了一个多分辨率特征提取网络，以同时捕捉局部与全局模式，从而增强重叠预测与配准模块。在合成与真实数据集上的实验结果验证了我们所提方法的有效性。
引用
@article{arxiv.2310.11733,
title = {DBDNet:Partial-to-Partial Point Cloud Registration with Dual Branches Decoupling},
author = {Shiqi Li and Jihua Zhu and Yifan Xie},
journal= {arXiv preprint arXiv:2310.11733},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication