学习多视角三维点云配准
计算机视觉与模式识别
2020-04-01 v2 机器学习
摘要
我们提出了一种新颖的、端到端可学习的多视角三维点云配准算法。多扫描配准通常遵循两阶段流程：初始的成对对齐与全局一致的精化。前者由于相邻点云重叠度低、对称性及重复场景部分而常常具有歧义。因此，后者的全局精化旨在建立跨多个扫描的循环一致性，并有助于解决歧义情况。在本文中，据我们所知，我们提出了首个针对该两阶段问题两部分联合学习的端到端算法。在公认的基准数据集上的实验评估表明，我们的方法以显著优势超越当前最优(state-of-the-art, SOTA)方法，同时具有端到端可训练且计算成本更低的优点。此外，我们给出了详细的分析与消融研究，验证了我们所提方法的新颖组件。源代码与预训练模型已公开于 https://github.com/zgojcic/3D_multiview_reg。
引用
@article{arxiv.2001.05119,
title = {Learning multiview 3D point cloud registration},
author = {Zan Gojcic and Caifa Zhou and Jan D. Wegner and Leonidas J. Guibas and Tolga Birdal},
journal= {arXiv preprint arXiv:2001.05119},
year = {2020}
}
备注
CVPR2020 - Camera Ready