基于自编码器潜在空间中的多视角点云配准
计算机视觉与模式识别
2025-05-01 v1
摘要
点云刚性配准是3D计算机视觉中的一个基本问题。在多视角情况下，我们旨在找到一组6D姿态以对齐一组物体。基于两两配准的方法依赖随后同步算法，导致其与视角数量不具可扩展性。生成式方法克服了这一限制，但基于高斯混合模型并使用Expectation-Maximization算法，因此不适用于处理大尺度变换。此外，大多数现有方法无法处理高程度降质。本文引入POLAR(POint cloud LAtent Registration)，一种能够高效处理大量视角、对高程度降质和大初始角度具有鲁棒性的多视角配准方法。为实现这一目标，我们将配准问题转移到预训练自编码器的潜在空间中，设计一种考虑降质因素的损失函数，并开发一种高效的多起始点优化策略。我们提出的方法在合成数据和真实数据上均显著优于现有的SOTA方法。POLAR可在github.com/pypolar/polar上获取，或作为独立软件包通过pip install polaregistration进行安装。
引用
@article{arxiv.2504.21467,
title = {Multiview Point Cloud Registration via Optimization in an Autoencoder Latent Space},
author = {Luc Vedrenne and Sylvain Faisan and Denis Fortun},
journal= {arXiv preprint arXiv:2504.21467},
year = {2025}
}
备注
14 pages, 19 figures, IEEE Transactions on Image Processing