学习用于三维点云鲁棒匹配的任务特定描述子
计算机视觉与模式识别
2022-10-27 v1
摘要
现有的基于学习的点特征描述子通常是任务无关的，追求尽可能准确地描述单个三维点云。然而，匹配任务旨在一致地描述不同三维点云中的对应点。因此，由于局部几何中不可预测的噪声、部分缺失、变形等导致对应点的特征表示不一致，这些过于准确的特征可能适得其反。在本文中，我们提出学习一种鲁棒的任务特定特征描述子，以在干扰下一致地描述正确的点对应关系。我们的方法 EDFNet 天生具有编码器和动态融合模块，从两个方面进行发展。首先，我们利用对应点的重复局部结构来增强其可匹配性。为此，设计了一个特殊的编码器，为每个点描述子联合利用两个输入点云。它不仅通过卷积捕获当前点云中每个点的局部几何，还通过 Transformer 利用成对点云的重复结构。其次，我们提出了一个动态融合模块来联合使用不同尺度的特征。单一尺度特征的鲁棒性与判别性之间存在不可避免的矛盾。具体而言，小尺度特征由于在小感受野内干扰较少而具有鲁棒性。但由于点云内存在许多重复的局部结构，其判别性不足。因此，所得描述子会导致许多错误匹配。相比之下，大尺度特征通过整合更多邻域信息而具有更强的判别性。...
引用
@article{arxiv.2210.14899,
title = {Learning a Task-specific Descriptor for Robust Matching of 3D Point Clouds},
author = {Zhiyuan Zhang and Yuchao Dai and Bin Fan and Jiadai Sun and Mingyi He},
journal= {arXiv preprint arXiv:2210.14899},
year = {2022}
}
备注
Accepted to IEEE Transactions on Circuits and Systems for Video Technology (TCSVT) 2022