具有各向异性且空间变化定位噪声的多视点云配准
计算机视觉与模式识别
2025-11-25 v2
摘要
本文研究受强各向异性定位噪声污染的多点云配准问题。我们的方法遵循广泛使用的期望最大化(EM)算法下的高斯混合模型(GMM)重建框架。现有方法基于空间不变各向同性高斯噪声的隐含假设。然而，在单分子定位显微镜(SMLM)等应用中该假设在实践中不成立。为解决此问题，我们提出引入显式定位噪声模型，将 GMM 的形状建模与噪声处理解耦。我们设计了将无噪声数据视为潜变量、且每步 EM 均有闭式解的随机 EM 算法。我们方法的第一个优势是能处理具有任意协方差的空间变化各向异性高斯噪声。第二个优势是利用显式噪声模型施加可能来自物理传感器的关于噪声的先验知识。我们在多种仿真数据上表明，我们的噪声处理策略显著提升了对高水平各向异性噪声的鲁棒性。我们还在真实 SMLM 数据上展示了方法性能。
引用
@article{arxiv.2201.00708,
title = {Multiview point cloud registration with anisotropic and space-varying localization noise},
author = {Denis Fortun and Etienne Baudrier and Fabian Zwettler and Markus Sauer and Sylvain Faisan},
journal= {arXiv preprint arXiv:2201.00708},
year = {2025}
}