Deep Closest Point：学习用于点云配准的表示
计算机视觉与模式识别
2019-05-10 v1
摘要
点云配准是计算机视觉应用于机器人、医学成像和其他应用的关键问题。该问题涉及寻找从一个点云到另一个点云的刚体变换以使其对齐。Iterative Closest Point (ICP) 及其变体为此任务提供了简单且易于实现的迭代方法，但这些算法可能收敛到虚假局部最优。为了解决 ICP 流程中的局部最优及其他困难，我们提出了一种基于学习的方法，名为 Deep Closest Point (DCP)，其灵感来自计算机视觉和自然语言处理中的最新技术。我们的模型由三部分组成：一个点云嵌入网络，一个结合了指针生成层的注意力模块，用于近似组合匹配，以及一个可微的奇异值分解 (SVD) 层，用于提取最终的刚体变换。我们在 ModelNet40 数据集上端到端地训练了我们的模型，并在多种设置下表明其性能优于 ICP、其变体（例如 Go-ICP、FGR）以及最近提出的基于学习的方法 PointNetLK。除了提供一种 SOTA 的配准技术外，我们还评估了学习到的特征迁移到未见对象的适用性。我们还对学习到的模型进行了初步分析，以帮助理解是特定领域特征和/或全局特征促进了刚体配准。
引用
@article{arxiv.1905.03304,
title = {Deep Closest Point: Learning Representations for Point Cloud Registration},
author = {Yue Wang and Justin M. Solomon},
journal= {arXiv preprint arXiv:1905.03304},
year = {2019}
}