单最近邻引导的无监督点云配准内点估计
计算机视觉与模式识别
2023-07-27 v1 人工智能
摘要
无监督点云配准方法的精度通常受限于缺乏可靠的内点估计与自监督信号，尤其在部分重叠场景中。本文提出一种有效的无监督点云配准内点估计方法，通过捕捉源点云与其对应参考点云副本之间的几何结构一致性来实现。具体而言，为获得高质量参考点云副本，由输入点云生成单最近邻（1-NN）点云。这有助于匹配图构建，并整合 1-NN 点云与输入点云的双重邻域匹配分数以提升匹配置信度。得益于高质量参考副本，我们认为内点与其邻域构成的邻域图在源点云与对应参考副本间应具有一致性。基于此观察，我们构建变换不变的几何结构表示，并捕捉几何结构一致性，为源点云与参考副本间估计的对应关系评分内点置信度。该策略可同时为模型优化提供可靠的自监督信号。最后，我们利用估计的对应关系及相应内点置信度，通过加权 SVD 算法进一步计算变换估计。我们以无监督方式训练所提模型，在合成与真实世界数据集上的大量实验证明了该方法的有效性。
引用
@article{arxiv.2307.14019,
title = {One-Nearest Neighborhood Guides Inlier Estimation for Unsupervised Point Cloud Registration},
author = {Yongzhe Yuan and Yue Wu and Maoguo Gong and Qiguang Miao and A. K. Qin},
journal= {arXiv preprint arXiv:2307.14019},
year = {2023}
}