Deep-3DAligner：具有可优化隐向量的无监督三维点集配准网络
计算机视觉与模式识别
2020-10-02 v1
摘要
点云配准是通过搜索几何变换来对齐一对点集的过程。与经典的基于优化的方法不同，近期基于学习的方法利用深度学习的强大能力来配准一对点集。本文提出构建一种新颖模型，将优化有机地整合到学习中，旨在解决三维配准中的技术挑战。更具体地，除深度变换解码网络外，我们的框架引入了一种可优化的深度空间相关性表示（Spatial Correlation Representation, SCR）特征。SCR特征与变换解码网络的权重联合更新，以最小化无监督对齐损失。我们进一步提出了一种用于对齐部分形状的自适应Chamfer损失。为验证所提方法的性能，我们在ModelNet40数据集上进行了大量实验。结果表明，在完整/部分点集配准任务中，我们的方法比先前最先进的方法取得了显著更优的性能。
引用
@article{arxiv.2010.00321,
title = {Deep-3DAligner: Unsupervised 3D Point Set Registration Network With Optimizable Latent Vector},
author = {Lingjing Wang and Xiang Li and Yi Fang},
journal= {arXiv preprint arXiv:2010.00321},
year = {2020}
}
备注
arXiv admin note: substantial text overlap with arXiv:2006.06200