用于点云配准的图匹配优化网络
计算机视觉与模式识别
2024-01-04 v3
摘要
点云配准是三维计算机视觉中一个基础且具有挑战性的问题。近期工作常利用点特征嵌入中的几何结构信息或离群点剔除进行配准，而在训练中忽视了显式考虑等距保持约束（例如变换后点对连边长度保持）。我们认为显式等距保持约束对于提升特征训练阶段的特征表示能力同样重要。为此，我们提出了一种基于图匹配优化的网络（简称GMONet），其利用图匹配优化器在点特征训练中显式施加等距保持约束以改善点特征表示。具体而言，我们采用局部图匹配优化器优化超点（即下采样关键点）特征，并采用全图匹配优化器优化重叠区域内的细粒度点特征。同时，我们利用非精确邻近点法与mini-batch采样技术加速这两个图匹配优化器。在评估阶段给定高判别性点特征后，我们利用RANSAC方法估计扫描点云对之间的变换。所提方法已在3DMatch/3DLoMatch基准与KITTI基准上评测，实验结果表明我们的方法与最先进的基线相比具有竞争力。
引用
@article{arxiv.2302.05844,
title = {Graph Matching Optimization Network for Point Cloud Registration},
author = {Qianliang Wu and Yaqi Shen and Haobo Jiang and Guofeng Mei and Yaqing Ding and Lei Luo and Jin Xie and Jian Yang},
journal= {arXiv preprint arXiv:2302.05844},
year = {2024}
}