Lepard：学习刚性及可变形场景中的部分点云匹配
计算机视觉与模式识别
2022-03-08 v2
摘要
我们提出了Lepard，一种基于学习的方法，用于刚性及可变形场景中的部分点云匹配。其关键特性在于以下利用三维位置知识进行点云匹配的技术：1) 一种将点云表示解耦为特征空间和三维位置空间的架构。2) 一种通过向量点积显式揭示三维相对距离信息的位置编码方法。3) 一种修正跨点云相对位置的重定位技术。消融研究证明了上述技术的有效性。在刚性情况下，Lepard结合RANSAC和ICP在3DMatch / 3DLoMatch上分别展示了93.9% / 71.3%的最先进配准召回率。在可变形情况下，在我们新构建的4DMatch / 4DLoMatch基准上，Lepard的非刚性特征匹配召回率比先前技术提高了+27.1% / +34.8%。
引用
@article{arxiv.2111.12591,
title = {Lepard: Learning partial point cloud matching in rigid and deformable scenes},
author = {Yang Li and Tatsuya Harada},
journal= {arXiv preprint arXiv:2111.12591},
year = {2022}
}
备注
Accepted to CVPR'2022. Code and data: https://github.com/rabbityl/lepard