用于一次性部分到部分配准的3D-3D对应学习
计算机视觉与模式识别
2020-06-17 v2
摘要
虽然3D-3D配准传统上由基于优化的方法解决，但近期工作表明基于学习的技术可实现更快且更鲁棒的结果。然而在此背景下，仅有PRNet能处理部分到部分配准场景。遗憾的是，这是以依赖迭代过程及复杂网络架构为代价的。本文中，我们展示了基于学习的部分到部分配准可以一次性方式实现，在联合降低网络复杂度的同时提升配准精度。为此，我们提出一种最优传输层，借助离群值箱能够处理被遮挡点。所得到的OPRNet框架在标准基准上优于当前最优（SOTA）方法，展现出比现有技术更好的鲁棒性与泛化能力。
引用
@article{arxiv.2006.04523,
title = {Learning 3D-3D Correspondences for One-shot Partial-to-partial Registration},
author = {Zheng Dang and Fei Wang and Mathieu Salzmann},
journal= {arXiv preprint arXiv:2006.04523},
year = {2020}
}
备注
11 pages