学习配准非平衡点对
计算机视觉与模式识别
2022-10-18 v2
摘要
点云配准方法可有效处理大规模、部分重叠的点云对。尽管其实用性强，但空间范围和密度上非平衡点对的匹配却被忽视且鲜有研究。我们提出一种称为 UPPNet 的新型方法，用于非平衡点云对 (Unbalanced Point cloud Pair) 配准。我们提出采用一种分层框架，通过逐步缩小搜索空间来有效寻找内点对应关系。该方法首先预测目标点云中可能与查询点云重叠的子区域。随后，通过超点匹配与细粒度细化模块预测目标与查询之间的精确内点对应关系。施加额外的几何约束以细化满足空间兼容性的对应关系。所提网络可以端到端方式训练，通过单次前向传播预测精确的刚体变换。为验证所提方法的有效性，我们通过扩充 KITTI 里程计数据集构建了一个精心设计的基准，称为 KITTI-UPP 数据集。大量实验表明，所提方法在 KITTI-UPP 基准上不仅大幅优于最先进的点云配准方法，而且在包括 3DMatch、3DLoMatch、ScanNet 和 KITTI 的标准成对配准基准上取得了具有竞争力的结果，从而展示了我们的方法在各种数据集上的适用性。源代码与数据集将公开发布。
引用
@article{arxiv.2207.04221,
title = {Learning to Register Unbalanced Point Pairs},
author = {Kanghee Lee and Junha Lee and Jaesik Park},
journal= {arXiv preprint arXiv:2207.04221},
year = {2022}
}