GP-Aligner：基于优化群潜在描述子的无监督非刚性群点集配准
计算机视觉与模式识别
2020-07-28 v1
摘要
本文提出一种名为 GP-Aligner 的新方法，用于处理非刚性群点集配准问题。与以往的非学习方法相比，我们所提方法利用深度神经网络的能力，以更优的性能有效且高效地学习对齐大量高度形变的 3D 形状，从而获得竞争优势。与大多数使用显式特征编码网络提取各形状特征及其关联的学习型方法不同，我们的模型利用无模型可学习潜在描述子来刻画群关系。更具体地，对于给定的群，我们首先定义一个可优化的群潜在描述子（GLD）来刻画一组点集之间的群关系。每个 GLD 从高斯分布中随机初始化，然后与该群中相关点集的每个点坐标拼接。进一步构造基于神经网络的解码器，预测从输入形状组到对齐形状组的连贯漂移作为所需变换。在优化过程中，GP-Aligner 联合更新所有 GLD 和解码器网络的权重参数，以最小化无监督群配准损失。优化后，对于每个群，我们的模型将每个点集连贯地驱动至一个中间的共同位置（形状），而无需指定某一个作为目标。GP-Aligner 不需要大规模训练数据来训练网络，并且可以在单阶段优化过程中直接对齐点集组。与最先进的群点集配准方法相比，GP-Aligner 在精度和计算效率上均有提升。此外，GP-Aligner 在对齐大量真实世界 3D 形状组时表现出极高的效率。
引用
@article{arxiv.2007.12979,
title = {GP-Aligner: Unsupervised Non-rigid Groupwise Point Set Registration Based On Optimized Group Latent Descriptor},
author = {Lingjing Wang and Xiang Li and Yi Fang},
journal= {arXiv preprint arXiv:2007.12979},
year = {2020}
}