OAAFormer：基于Transformer中重叠感知注意力的鲁棒高效点云配准
计算机视觉与模式识别
2023-10-17 v1
摘要
在点云配准领域，由粗到细的特征匹配范式因其令人印象深刻的性能而受到广泛关注。该范式涉及两步过程：首先提取多级特征，随后将对应关系从粗层级传播到细层级。然而，该范式表现出两个显著局限。首先，Dual Softmax 操作的使用可能促进超点之间的一一对应，无意中排除了有价值的对应关系。这种倾向源于一个源超点通常与多个目标超点保持关联。其次，必须仔细考察点云之间的重叠区域，因为仅这些区域内的对应关系决定性确定了实际变换。基于这些考量，我们提出 OAAFormer 以提升对应质量。一方面，我们引入软匹配机制，促进潜在有价值的对应关系从粗到细层级传播。此外，我们集成一个重叠区域检测模块，以最大程度减少误匹配。进一步，我们在细层级匹配阶段引入具有线性复杂度的区域级注意力模块，旨在增强所提取特征的判别能力。在具有挑战性的 3DLoMatch 基准上的测试表明，我们的方法使内点比提升约 7%，配准召回率提升 2-4%。
引用
@article{arxiv.2310.09817,
title = {OAAFormer: Robust and Efficient Point Cloud Registration Through Overlapping-Aware Attention in Transformer},
author = {Junjie Gao and Qiujie Dong and Ruian Wang and Shuangmin Chen and Shiqing Xin and Changhe Tu and Wenping Wang},
journal= {arXiv preprint arXiv:2310.09817},
year = {2023}
}