基于深度置信引导距离的3D部分形状配准
计算机视觉与模式识别
2022-01-28 v1
摘要
我们提出了一种新颖的非迭代可学习方法，用于部分到部分的3D形状配准。部分对齐任务极为复杂，因为它同时尝试在点之间建立匹配并识别在对应形状中未出现的点，导致在大多数情况下解非唯一且病态。迄今为止，已提出两种主要方法来解决该问题：采样可能有对应关系的点子集，或在点云之间执行软对齐并尽量避免与遮挡部分匹配。这些启发式方法在部分性轻微或变换较小时有效，但在严重遮挡或存在离群点时失效。我们提出了一种名为置信引导距离网络（CGD-net）的独特方法，将可学习的点嵌入相似度与点云间的空间距离相融合，从而为重叠点诱导出优化解，同时忽略仅出现在其中一个形状中的部分。点特征生成由一个自监督架构完成，该架构使远点相互排斥以具有不同嵌入，因此即使存在过度内部对称或剧烈旋转，也能成功对齐形状的部分视图。我们将我们的网络与近期提出的基于学习和公理的方法进行比较，并报告了性能上的根本性提升。
引用
@article{arxiv.2201.11379,
title = {Deep Confidence Guided Distance for 3D Partial Shape Registration},
author = {Dvir Ginzburg and Dan Raviv},
journal= {arXiv preprint arXiv:2201.11379},
year = {2022}
}