深度加权一致性：用于 3D 形状配准的稠密对应置信度图
计算机视觉与模式识别
2021-05-07 v1 人工智能
摘要
我们提出了一种基于可学习加权一致性的点云间刚性对齐新范式，该范式对噪声以及旋转群的整个谱都具有鲁棒性。当前模型（可学习的或公理化的）在受限朝向与有限噪声水平下表现良好，通常通过端到端学习器或迭代方案实现。然而，真实世界任务要求我们处理大旋转以及离群点，而所有已知模型均无法胜任。在此我们提出一个不同方向。我们主张，可根据从稠密软对齐图中导出的置信水平，从采样匹配点对齐点云。该流水线是可微分的，并在 SO(3) 整个谱下的大旋转甚至高噪声水平中收敛。我们将该网络与近期提出的方法（如 DCP、PointNetLK、RPM-Net、PRnet）以及公理方法（如 ICP 和 Go-ICP）进行比较。我们在此报告了性能的实质性提升。
引用
@article{arxiv.2105.02714,
title = {Deep Weighted Consensus: Dense correspondence confidence maps for 3D shape registration},
author = {Dvir Ginzburg and Dan Raviv},
journal= {arXiv preprint arXiv:2105.02714},
year = {2021}
}