MEDPNet：复杂铝合金模具的高精度自适应配准
计算机视觉与模式识别
2024-03-18 v1
摘要
由于其复杂的空间结构和多样化的几何特征，实现对复杂铝合金模具的高精度和鲁棒点云配准一直是铝合金模具行业中的重大挑战。现有的点云配准方法主要针对经过良好质量数据集优化的网络模型，往往忽视实际场景中的实际应用。为此，本文提出了一种高精度自适应配准方法，称为Multiscale Efficient Deep Closest Point（MEDPNet），并引入一种专为解决铝合金模具行业点云配准挑战而设计的模具点云数据集DieCastCloud。MEDPNet方法首先使用Efficient-DCP方法对铝合金点云数据进行粗配准，然后使用多尺度特征融合双通道配准（MDR）方法进行精确配准。我们通过用Efficient Attention取代Transformer中注意力机制来增强模型建模能力和计算效率，并通过串行块和并行块的组合实现协作尺度机制。此外，我们提出了MDR方法，该方法利用多层感知器（MLP）、Normal Distributions Transform（NDT）和Iterative Closest Point（ICP）实现可学习的自适应融合，从而实现高精度、可扩展且对噪声抗能力的全局点云配准。我们的方法在应用于复杂铝合金点云数据时，显示出比当前最先进的几何和基于学习的配准方法的优异性能。
引用
@article{arxiv.2403.09996,
title = {MEDPNet: Achieving High-Precision Adaptive Registration for Complex Die Castings},
author = {Yu Du and Yu Song and Ce Guo and Xiaojing Tian and Dong Liu and Ming Cong},
journal= {arXiv preprint arXiv:2403.09996},
year = {2024}
}