通过学习多尺度局部线性变换改进RGB-D点云配准
计算机视觉与模式识别
2022-09-02 v2
摘要
点云配准旨在估计两次点云扫描之间的几何变换，其中逐点对应估计是其成功的关键。除了先前通过手工设计或学习的几何特征寻找对应关系的方法，近期的点云配准方法尝试应用RGB-D数据以实现更精确的对应。然而，有效融合来自这两种不同模态的几何与视觉信息并非易事，对配准问题尤为如此。本工作中，我们提出一种新的几何感知视觉特征提取器（GAVE），采用多尺度局部线性变换逐步融合这两种模态，其中来自深度数据的几何特征充当依赖于几何的卷积核，以变换来自RGB数据的视觉特征。所得的视觉-几何特征位于规范特征空间中，缓解了由几何变化引起的视觉差异，从而可实现更可靠的对应。所提出的GAVE模块可轻松插入近期的RGB-D点云配准框架。在3D Match和ScanNet上的大量实验表明，即便无对应或位姿监督，我们的方法也优于最先进的点云配准方法。代码见：https://github.com/514DNA/LLT。
引用
@article{arxiv.2208.14893,
title = {Improving RGB-D Point Cloud Registration by Learning Multi-scale Local Linear Transformation},
author = {Ziming Wang and Xiaoliang Huo and Zhenghao Chen and Jing Zhang and Lu Sheng and Dong Xu},
journal= {arXiv preprint arXiv:2208.14893},
year = {2022}
}
备注
Accepted to ECCV 2022, supplementary materials included