ML-SemReg：利用多级语义一致性提升点云配准
计算机视觉与模式识别
2024-07-16 v1
摘要
最近的点云配准进展主要利用几何信息。尽管这些方法已取得令人鼓舞的成果，但仍在低重叠情况方面存在困难，限制了其实际应用。本文提出了ML-SemReg，一个即插即用的点云配准框架，充分利用语义信息。我们的关键洞察是，在渲染语义线索后，错位可分为两类，即类间错位和类内错位，可通过利用多级语义一致性来妥善解决。我们首先提出了组匹配模块，以解决类间错位，输出多个本就满足局部语义一致性的匹配组。对于每一组，随后引入基于场景语义一致性的掩码匹配模块，以抑制类内错位。得益于这两个模块，ML-SemReg生成高比例内源的对应关系。大量实验表明，ML-SemReg在困难情况下表现出色和稳健性，例如在KITTI数据集的困难案例中，配准召回率(Registration Recall of MAC)当我们的ML-SemReg装配时几乎提高了34个百分点。代码可在\url{https://github.com/Laka-3DV/ML-SemReg}获取。
引用
@article{arxiv.2407.09862,
title = {ML-SemReg: Boosting Point Cloud Registration with Multi-level Semantic Consistency},
author = {Shaocheng Yan and Pengcheng Shi and Jiayuan Li},
journal= {arXiv preprint arXiv:2407.09862},
year = {2024}
}
备注
Accepted by ECCV2024