GP-PCS：基于黎曼流形上高斯过程的保特征一次性点云简化
计算机视觉与模式识别
2024-09-10 v4
摘要
大规模点云的处理、存储与传输是计算机视觉领域持续面临的挑战，阻碍了 3D 模型在自动驾驶、虚拟现实和遥感等真实场景中的应用。我们提出了一种新颖的一次性点云简化方法，在无需任何先验表面重建步骤的情况下，同时保留点云的显著结构特征与整体形状。我们的方法采用适用于定义在黎曼流形上函数的高斯过程，从而对任意给定点云的表面变化函数进行建模。通过对原始点云顺序选点并采用贪婪稀疏化方案获得其简化版本。该方案所用的选择准则确保简化点云能最佳表征原始点云的表面变化。我们在多个基准及自采点云上评估了本方法，与一系列现有方法比较，展示了其在配准与表面重建下游任务中的应用，并表明本方法在经验性能与计算效率上均具竞争力。代码见 \href{https://github.com/stutipathak5/gps-for-point-clouds}{https://github.com/stutipathak5/gps-for-point-clouds}。
引用
@article{arxiv.2303.15225,
title = {GP-PCS: One-shot Feature-Preserving Point Cloud Simplification with Gaussian Processes on Riemannian Manifolds},
author = {Stuti Pathak and Thomas M. McDonald and Seppe Sels and Rudi Penne},
journal= {arXiv preprint arXiv:2303.15225},
year = {2024}
}
备注
17 pages, 4 figures, 2 tables in main; 6 pages, 7 figures and 2 tables in supplementary