大范围变换的全局点云注册网络
计算机视觉与模式识别
2024-11-12 v1
摘要
三维数据注册是一个既 established 又具有挑战性的问题，关键在于许多不同应用中，例如为自动驾驶汽车构建环境地图，以及为创建头像模型人和物体。注册指的是通过匹配对应关系和变换估计将多个数据映射到同一坐标系的过程。新的方案利用深度学习架构的优势，学习数据的最佳特征，提供更好的匹配，从而获得更好的结果。然而，最先进的方法通常专注于相对小变换的情况，尽管在某些应用和实际环境中，大范围变换非常常见。本文提出了 ReLaTo（Registration for Large Transformations），一种处理大范围变换同时保持对局部变换良好性能的架构。该方案使用一种新的 Softmax 汇聚层，以双向共识方式在两个点集之间寻找对应关系，抽样最可信的匹配。这些匹配用于估计粗糙和全局注册，然后对获取的匹配和潜在特征应用目标导向去噪步骤，以考虑局部几何结构估计最终的精细注册。所有这些步骤都遵循 end-to-end 方法，这已被证明在两个常用于该任务的数据集（ModelNet40 和 KITTI）上提高了 10 种最先进的注册方法，尤其是在大范围变换的情况下。
引用
@article{arxiv.2403.18040,
title = {Global Point Cloud Registration Network for Large Transformations},
author = {Hanz Cuevas-Velasquez and Alejandro Galán-Cuenca and Antonio Javier Gallego and Marcelo Saval-Calvo and Robert B. Fisher},
journal= {arXiv preprint arXiv:2403.18040},
year = {2024}
}