扩展您自己的对应关系：通过渐进距离扩展实现无监督远距离点云配准
计算机视觉与模式识别
2024-03-28 v2
摘要
对来自一对远距离车辆收集的点云进行配准，可提供驾驶场景全面且准确的 3D 视图，这对于驾驶安全相关应用至关重要，然而现有文献受限于昂贵的位姿标签获取成本以及泛化到新数据分布能力的不足。在本文中，我们提出了 EYOC，一种无监督的远距离点云配准方法，该方法能够即时适应新的点云分布，且无需全局位姿标签。EYOC 的核心思想是以渐进方式训练特征提取器，在每一轮中，利用近处点云对训练的特征提取器可以为稍远的点云对生成标签，从而在此类远点云对上实现自监督。该过程持续进行，直到导出的提取器可用于配准远距离点云。特别是，为了实现高保真对应标签生成，我们设计了一种有效的空间滤波方案，以选择最具代表性的对应关系来配准一对点云，然后利用对齐后的点云发现更多正确的对应关系。实验表明，EYOC 能够以更低的训练成本达到与最先进监督方法相当的性能。此外，在新数据分布上的泛化性能方面，它优于监督方法。
引用
@article{arxiv.2403.03532,
title = {Extend Your Own Correspondences: Unsupervised Distant Point Cloud Registration by Progressive Distance Extension},
author = {Quan Liu and Hongzi Zhu and Zhenxi Wang and Yunsong Zhou and Shan Chang and Minyi Guo},
journal= {arXiv preprint arXiv:2403.03532},
year = {2024}
}
备注
In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2024