Deep-PE：一种基于学习的点云配准姿态评估器
计算机视觉与模式识别
2024-05-28 v1
摘要
在点云配准领域，最常见的姿态评估方法是基于统计的，通过最大化一致性对应关系的数量来识别最优变换。然而，尽管努力设计特征描述子和建立对应关系，当点云重叠率较低时，注册召回率会显著下降。本文引入 Deep-PE，一种轻量级、基于学习的姿态评估器，旨在增强姿态选择的准确性，尤其是在重叠率较低的挑战性点云场景中。我们的网络包含一个 Pose-Aware Attention (PAA) 模块，用于模拟和学习在各种候选姿态下点云的对齐状态，以及一个 Pose Confidence Prediction (PCP) 模块，用于预测成功注册的可能性。这两个模块促进了学习局部和全局对齐先验。广泛的基准测试确认了 Deep-PE 的有效性。值得注意的是，在重叠率较低的 3DLoMatch 数据集上，Deep-PE 在 handcrafted FPFH 和 learning-based FCGF 描述子下，分别比最先进的方法高出至少 8% 和 11% 的注册召回率。到目前为止，我们是第一个利用深度学习在无需显式输入对应关系的情况下选择最优姿态的研究。
引用
@article{arxiv.2405.16085,
title = {Deep-PE: A Learning-Based Pose Evaluator for Point Cloud Registration},
author = {Junjie Gao and Chongjian Wang and Zhongjun Ding and Shuangmin Chen and Shiqing Xin and Changhe Tu and Wenping Wang},
journal= {arXiv preprint arXiv:2405.16085},
year = {2024}
}
备注
22 pages, 16 figures