基于无监督神经形变 Correntropy 的遮挡感知非刚性点云配准

点云的非刚性配准对于场景理解、重建以及各种计算机视觉和机器人任务至关重要。用于非刚性配准的隐式形变网络的最新进展显著减少了对大量标注训练数据的依赖。然而，现有的最先进方法在处理遮挡场景时仍面临挑战。为了解决这一问题，本文提出了一种名为遮挡感知配准（OAR）的创新性无监督方法，用于非刚性对齐点云。我们方法的关键创新在于利用自适应 correntropy 函数作为局部相似性度量，使我们能够区别对待各个点。与以往仅最小化两个形状之间整体偏差的方法不同，我们将无监督隐式神经表示与最大 correntropy 准则相结合，以优化未遮挡区域的形变。这有效避免了坍缩、撕裂及其他物理上不合理的结果。此外，我们给出了理论分析并建立了最大 correntropy 准则与常用 Chamfer 距离之间的关系，强调由 correntropy 导出的度量可作为点云分析中更通用的度量。另外，我们引入了局部线性重建，以确保形状间缺乏对应关系的区域仍能经历物理自然的形变。与现有方法相比，我们的方法取得了更优或具竞争力的性能，特别是在处理遮挡几何体时。我们还展示了我们的方法在诸如大形变、形状插值以及遮挡干扰下的形状补全等挑战性任务中的多功能性。