用于点云配准的重叠引导高斯混合模型
计算机视觉与模式识别
2022-10-19 v1
摘要
概率性3D点云配准方法在克服噪声、离群点和密度变化方面已展现出有竞争力的性能。然而，在部分重叠情况下配准点云对仍是一项挑战。本文提出一种新颖的重叠引导概率配准方法，从匹配的高斯混合模型（GMM）参数计算最优变换。我们将配准问题重新表述为对齐两个高斯混合体，使两个相应混合体之间的统计差异度量最小化。我们引入一个基于Transformer的检测模块来检测重叠区域，并通过该检测模块计算的重叠分数引导对齐，用GMM表示输入点云。实验表明，在处理合成与真实世界数据集上具部分重叠和不同密度的点云时，我们的方法比最先进方法实现了更优的配准精度与效率。https://github.com/gfmei/ogmm
引用
@article{arxiv.2210.09836,
title = {Overlap-guided Gaussian Mixture Models for Point Cloud Registration},
author = {Guofeng Mei and Fabio Poiesi and Cristiano Saltori and Jian Zhang and Elisa Ricci and Nicu Sebe},
journal= {arXiv preprint arXiv:2210.09836},
year = {2022}
}
备注
Accepted in WACV 2023