利用内点对应比例提升点云配准性能
计算机视觉与模式识别
2022-11-22 v2
摘要
在基于特征学习的点云配准中，正确对应关系的构建对于后续的变换估计至关重要。然而，从点云中提取具有判别力的特征仍然是一项挑战，尤其是在输入为部分点云且由难以区分的表面（平面、光滑表面等）组成时。因此，在两片未对齐点云之间精确匹配点的内点对应比例难以令人满意。受此启发，我们设计了若干技术，通过利用内点对应比例来提升基于特征学习的点云配准性能：一种用于多尺度刻画点特征的金字塔层级解码器、一种用于保持一致对应关系的的一致性投票策略，以及一种将几何特征纳入考虑的几何引导编码模块。基于上述技术，我们构建了几何引导一致网络（Geometry-guided Consistent Network, GCNet），并在室内、室外和以物体为中心的合成数据集上对 GCNet 进行了挑战性测试。综合实验表明，GCNet 优于当前最优方法，且其中所用的技术是与模型无关的，可轻松迁移至其他基于特征的深度学习或传统配准方法中，并大幅提升性能。代码见 https://github.com/zhulf0804/NgeNet。
引用
@article{arxiv.2201.12094,
title = {Leveraging Inlier Correspondences Proportion for Point Cloud Registration},
author = {Lifa Zhu and Haining Guan and Changwei Lin and Renmin Han},
journal= {arXiv preprint arXiv:2201.12094},
year = {2022}
}