面向鲁棒三维点云配准的端到端部分置换矩阵学习
计算机视觉与模式识别
2022-03-02 v2
摘要
尽管基于深度学习的三维点云处理已取得显著进展，但由于现有硬分配方法无法自然处理离群点，如何获得准确对应关系以实现鲁棒配准仍是一大挑战。为此，已有方法提出基于软匹配来学习匹配概率而非进行硬分配。然而，本文证明这类方法存在固有歧义性，会导致大量误导性对应关系。为应对上述挑战，我们提出学习一个部分置换匹配矩阵，它不为离群点分配对应点，并通过硬分配避免歧义。但该方案带来两个新问题：现有硬分配算法只能求解满秩置换矩阵而非部分置换矩阵，且所求矩阵定义于离散空间，不可微分。对此，我们在配准流程中设计了一个专用的软到硬（S2H）匹配过程，包含两步：求解软匹配矩阵（S步）和将该软矩阵投影至部分置换矩阵（H步）。具体而言，我们在硬分配前对收益矩阵进行增广以求解增广置换矩阵，再裁剪得到最终的部分置换矩阵。此外，为保证端到端学习，我们监督所学部分置换矩阵，但将梯度反向传播至软矩阵。我们的S2H匹配过程可轻松集成到现有配准框架中，已在DCP、RPMNet和DGR等代表性框架中得到验证。大量实验验证了我们的方法，其为鲁棒三维点云配准创造了新的SOTA性能。代码将公开。
引用
@article{arxiv.2110.15250,
title = {End-to-end Learning the Partial Permutation Matrix for Robust 3D Point Cloud Registration},
author = {Zhiyuan Zhang and Jiadai Sun and Yuchao Dai and Dingfu Zhou and Xibin Song and Mingyi He},
journal= {arXiv preprint arXiv:2110.15250},
year = {2022}
}
备注
Accepted by AAAI 2022