DeepUME：学习通用流形嵌入以实现鲁棒的点云配准
计算机视觉与模式识别
2021-12-21 v1
摘要
配准由刚性变换关联的点云是计算机视觉中的基本问题之一。然而，在噪声存在下对齐稀疏且不同采样的观测这一实际场景的解决方案仍然缺乏。我们以闭式通用流形嵌入（UME）方法与深度神经网络的融合来处理该场景下的配准。二者被组合成一个统一的框架，名为 DeepUME，以端到端且无监督的方式训练。为了在大变换存在时成功提供全局解，我们采用 SO(3) 不变坐标系来学习点云的共同重采样策略和 SO(3) 不变特征。这些特征随后被几何 UME 方法用于变换估计。DeepUME 的参数使用一种专门设计的度量来优化，以克服在考虑噪声场景时对称形状配准中出现的歧义问题。我们表明，我们的混合方法在各种场景下优于最先进的配准方法，并且能很好地泛化到未见过的数据集。我们的代码已公开可用。
引用
@article{arxiv.2112.09938,
title = {DeepUME: Learning the Universal Manifold Embedding for Robust Point Cloud Registration},
author = {Natalie Lang and Joseph M. Francos},
journal= {arXiv preprint arXiv:2112.09938},
year = {2021}
}
备注
BMVC 2021