面向点云配准的部分传输
计算机视觉与模式识别
2023-09-28 v1 机器学习
摘要
点云配准在机器人、计算机图形学和医学影像等多个领域中起着关键作用。该过程涉及确定不同点集之间的空间关系，通常在 3D 空间内。在真实场景中，由非刚性运动和部分可见性（如遮挡或传感器噪声）带来的复杂性使得非刚性配准成为一项具有挑战性的问题。经典的非刚性配准方法通常计算开销大、性能不稳定，且重要的是缺乏理论保证。最优传输问题及其非平衡变体（如最优部分传输问题）已成为点云配准的有力工具，并在该领域确立了强劲基准。这些方法将点云视为经验测度，并提供了量化（变换后）源点与目标点之间“对应”关系的数学严格方式。本文中，我们通过最优传输理论的视角切入点云配准问题，并首先提出了一套基于最优部分传输问题的全面非刚性配准方法。随后，借助一维最优部分传输问题高效求解的新兴工作，我们通过切片扩展所提算法以获得显著的计算效率，从而得到快速且鲁棒的非刚性配准算法。我们展示了所提方法的有效性，并在源与目标点云均受随机噪声污染的各类 3D 和 2D 非刚性配准问题上与基线方法进行了比较。
引用
@article{arxiv.2309.15787,
title = {Partial Transport for Point-Cloud Registration},
author = {Yikun Bai and Huy Tran and Steven B. Damelin and Soheil Kolouri},
journal= {arXiv preprint arXiv:2309.15787},
year = {2023}
}