利用虚拟对应点进行配准任务的端到端三维点云学习
计算机视觉与模式识别
2021-06-21 v2 机器人学
摘要
由于难以在仅有部分对应的两点云间找到刚性变换，三维点云配准仍是一个非常具有挑战性的课题，而在没有任何初始估计信息的情况下则更加困难。本文提出一种基于端到端深度学习的方法来解决点云配准问题。首先，引入改进的LPD-Net提取特征并与图网络聚合。其次，利用自注意力机制增强点云中的结构信息，并设计交叉注意力机制以增强两个输入点云之间的对应信息。在此基础上，通过基于软指针的方法生成虚拟对应点，最后通过实施SVD方法解决点云配准问题。在ModelNet40数据集上的对比结果验证了所提方法在点云配准任务中达到了SOTA，在KITTI数据集上的实验结果验证了所提方法在实际应用中的有效性。我们的源代码可在\url{https://github.com/qiaozhijian/VCR-Net.git}获取。
引用
@article{arxiv.2011.14579,
title = {End-to-End 3D Point Cloud Learning for Registration Task Using Virtual Correspondences},
author = {Zhijian Qiao and Huanshu Wei and Zhe Liu and Chuanzhe Suo and Hesheng Wang},
journal= {arXiv preprint arXiv:2011.14579},
year = {2021}
}
备注
Accepted to IROS 2020