学习实例感知对应关系以实现杂乱场景中鲁棒的多实例点云配准
计算机视觉与模式识别
2024-04-09 v1
摘要
多实例点云配准旨在估计场景点云中模型点云的多个实例的位姿。提取准确的点对应关系是问题的核心。现有方法通常将场景点云视为一个整体，忽略了实例的分离。因此，点特征很容易被来自背景或不同实例的其他点污染，导致无法区分独立实例的不准确对应关系，在杂乱场景中尤为如此。在这项工作中，我们提出了 MIRETR（Multi-Instance REgistration TRansformer），一种提取实例感知对应关系的由粗到细的方法。在粗粒度层面，它联合学习实例感知的超点特征并预测每个实例的掩码。借助实例掩码，来自所关注实例之外的影响被最小化，从而可以提取高度可靠的超点对应关系。在细粒度层面，根据实例掩码将超点对应关系扩展为实例候选。最后，设计了一种高效的候选选择与细化算法以获得最终的配准结果。在三个公开基准上的大量实验证明了我们方法的有效性。特别地，在具有挑战性的 ROBI 基准上，MIRETR 在 F1 分数上比现有最优方法高出 16.6 个百分点。代码和模型可在 https://github.com/zhiyuanYU134/MIRETR 获取。
关键词
引用
@article{arxiv.2404.04557,
title = {Learning Instance-Aware Correspondences for Robust Multi-Instance Point Cloud Registration in Cluttered Scenes},
author = {Zhiyuan Yu and Zheng Qin and Lintao Zheng and Kai Xu},
journal= {arXiv preprint arXiv:2404.04557},
year = {2024}
}