用于鲁棒点云配准与深度信息交互的全 Transformer 框架
计算机视觉与模式识别
2021-12-20 v1 人工智能
摘要
近期基于 Transformer 的方法利用其在顺序不变性和建模依赖关系上的优势来聚合信息，在点云配准中取得了先进性能。然而，它们仍受限于特征提取不清晰、对噪声和离群点敏感。原因在于：(1) 采用 CNN 因其局部感受野而无法建模全局关系，导致提取的特征易受噪声影响；(2) Transformer 的浅而宽架构以及缺乏位置编码导致因信息交互低效而特征提取不清晰；(3) 忽略几何兼容性导致内点与离群点之间的分类不准确。为克服上述局限，本文提出一种用于点云配准的新型全 Transformer 网络，称为深度交互 Transformer (DIT)，其包含：(1) 点云结构提取器 (PSE)，利用 Transformer 编码器建模全局关系并检索结构信息；(2) 深而窄的点特征 Transformer (PFT)，借助位置编码促进两个点云间的深度信息交互，使 Transformer 能建立全面关联并直接学习点间相对位置；(3) 基于几何匹配的对应置信度评估 (GMCCE) 方法，通过设计三角化描述子来衡量空间一致性并估计内点置信度。在干净、含噪、部分重叠点云配准上的大量实验表明，我们的方法优于当前最优方法。
引用
@article{arxiv.2112.09385,
title = {Full Transformer Framework for Robust Point Cloud Registration with Deep Information Interaction},
author = {Guangyan Chen and Meiling Wang and Yufeng Yue and Qingxiang Zhang and Li Yuan},
journal= {arXiv preprint arXiv:2112.09385},
year = {2021}
}
备注
10pages, 7figures