DetarNet：通过孪生网络解耦平移与旋转的点云配准方法
计算机视觉与模式识别
2021-12-30 v1
摘要
点云配准是许多任务的基础步骤。在本文中，我们提出一种名为 DetarNet 的神经网络，用于解耦平移 与旋转 ，以克服点云配准中二者相互干扰导致的性能下降。首先，提出一种基于孪生网络（Siamese Network）的渐进一致特征漂移（PCFD）模块，用于在高位特征空间中对齐源点与目标点，并从对齐过程中准确恢复平移。随后，我们提出一种共识编码单元（CEU）为一组假定对应点构造更具区分性的特征。此后，采用空间与通道注意力（SCA）块构建分类网络以寻找良好对应点。最后，通过奇异值分解（SVD）获得旋转。以此方式，所提网络解耦了平移与旋转的估计，使二者均获得更优性能。实验结果表明，所提 DetarNet 在室内与室外场景均提升了配准性能。我们的代码将发布于 \url{https://github.com/ZhiChen902/DetarNet}。
引用
@article{arxiv.2112.14059,
title = {DetarNet: Decoupling Translation and Rotation by Siamese Network for Point Cloud Registration},
author = {Zhi Chen and Fan Yang and Wenbing Tao},
journal= {arXiv preprint arXiv:2112.14059},
year = {2021}
}
备注
Accepted by AAAI-2022