基于深度图的空间一致性方法用于鲁棒的非刚性点云配准
计算机视觉与模式识别
2023-03-20 v1
摘要
我们研究非刚性点云配准中的异常对应剪枝问题。在刚性配准中，空间一致性是区分异常值与内点的常用准则。它通过两个点在两个点云中各自距离之间的差异来衡量两组对应的兼容性。然而，空间一致性在非刚性情形下不再成立，且非刚性配准的离群点剔除尚未得到充分研究。在本工作中，我们提出基于图的空间一致性网络（GraphSCNet）来过滤非刚性配准中的离群点。我们的方法基于以下事实：非刚性形变通常是局部刚性的，或局部保持形状的。我们首先在点云形变图上设计了一种局部空间一致性度量，仅评估图节点邻域内的对应之间的空间兼容性。随后设计了一个基于注意力的非刚性对应嵌入模块，从局部空间一致性中学习鲁棒的非刚性对应表示。尽管简单，GraphSCNet 有效提升了假定对应的质量，并在三个具有挑战性的基准上达到了最先进的性能。我们的代码与模型可在 https://github.com/qinzheng93/GraphSCNet 获取。
引用
@article{arxiv.2303.09950,
title = {Deep Graph-based Spatial Consistency for Robust Non-rigid Point Cloud Registration},
author = {Zheng Qin and Hao Yu and Changjian Wang and Yuxing Peng and Kai Xu},
journal= {arXiv preprint arXiv:2303.09950},
year = {2023}
}
备注
Accepted by CVPR 2023. Our code and models are available at https://github.com/qinzheng93/GraphSCNet