EADReg：基于高效自回归扩散模型的户外点云匹配生成方法
计算机视觉与模式识别
2024-11-26 v1 人工智能
摘要
扩散模型在点云配准（PCR）任务中展现出巨大的潜力，尤其在增强对挑战性场景的鲁棒性方面。然而，现有扩散方法主要聚焦于实例级场景，难以应对户外激光点云中所特有的稀疏性、不规则性和巨大点规模，这些特征给建立稠密全局点到点对应关系带来了挑战。为此，我们提出了基于自回归扩散模型的 novel 框架 EADReg，用于高效稳健的激光点云配准。EADReg 遵循粗到细的配准范式。在粗阶段，我们采用双向高斯混合模型（BGMM）以剔除离群点并获取净化的点云配对。BGMM 在来自源帧和目标帧的高斯混合模型（GMM）之间建立对应关系，基于过滤后的特征和几何信息实现可靠的粗配准。在细阶段，我们将扩散-based PCR 视为自回归过程，以生成稳健的点对应关系，并在更高层次上迭代细化。尽管扩散方法常被批评推理速度慢，EADReg 的运行时间却与基于卷积的方法相当。大量实验在 KITTI 和 NuScenes benchmark 数据集上表明，我们所提出的方法在状态水平上取得卓越性能。代码将在发表后公开。
引用
@article{arxiv.2411.15271,
title = {EADReg: Probabilistic Correspondence Generation with Efficient Autoregressive Diffusion Model for Outdoor Point Cloud Registration},
author = {Linrui Gong and Jiuming Liu and Junyi Ma and Lihao Liu and Yaonan Wang and Hesheng Wang},
journal= {arXiv preprint arXiv:2411.15271},
year = {2024}
}