基于加速优化学最小化法的快速鲁棒非刚性配准
计算机视觉与模式识别
2023-02-21 v4 图形学
摘要
非刚性3D配准以非刚性方式形变源3D形状以与目标3D形状对齐，是计算机视觉中的经典问题。此类问题可能因不完美数据（噪声、离群点和部分重叠）及高自由度而具挑战性。现有方法通常采用型鲁棒范数度量对齐误差并正则化形变的平滑性，并使用近端算法求解所得非光滑优化问题。然而，此类算法收敛缓慢限制了其广泛应用。本文提出一种基于全局平滑鲁棒范数用于对齐与正则化的鲁棒非刚性配准公式，可有效处理离群点与部分重叠。该问题使用优化学最小化(majorization-minimization)算法求解，将每次迭代化简为具有闭式解的凸二次问题。我们进一步应用Anderson加速来加快求解器收敛，使其能在计算能力受限的设备上高效运行。大量实验证明了我们的方法对含离群点与部分重叠的两形状间非刚性对齐的有效性，定量评估显示其在配准精度与计算速度上均优于SOTA方法。源代码见https://github.com/yaoyx689/AMM_NRR。
引用
@article{arxiv.2206.03410,
title = {Fast and Robust Non-Rigid Registration Using Accelerated Majorization-Minimization},
author = {Yuxin Yao and Bailin Deng and Weiwei Xu and Juyong Zhang},
journal= {arXiv preprint arXiv:2206.03410},
year = {2023}
}
备注
Accepted to IEEE Transactions on Pattern Analysis and Machine Intelligence