用于远距离点云配准的密度不变特征
计算机视觉与模式识别
2023-08-09 v2
摘要
远距离室外 LiDAR 点云的配准对于扩展协同自动驾驶车辆的 3D 视觉至关重要，但由于重叠区域小且观测点密度差异巨大而具有挑战性。本文提出分组对比学习（GCL）方案，以提取密度不变几何特征来配准远距离室外 LiDAR 点云。我们通过理论分析与实验指出，为训练密度不变特征提取器，对比正样本应独立同分布（i.i.d.）。基于该结论，我们提出一种简单而有效的训练方案，迫使同一空间位置（称为正样本组）的多个点云特征相似，这自然避免了由一对点云引入的采样偏差，从而符合 i.i.d. 原则。所得的全卷积特征提取器比现有最优方法更强大且密度不变，在 KITTI 和 nuScenes 基准上将远距离场景的配准召回率分别提升了 40.9% 和 26.9%。代码见 https://github.com/liuQuan98/GCL。
引用
@article{arxiv.2307.09788,
title = {Density-invariant Features for Distant Point Cloud Registration},
author = {Quan Liu and Hongzi Zhu and Yunsong Zhou and Hongyang Li and Shan Chang and Minyi Guo},
journal= {arXiv preprint arXiv:2307.09788},
year = {2023}
}
备注
In Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 2023