PCRDiffusion: 用于点云配准的扩散概率模型
计算机视觉与模式识别
2023-12-12 v1 人工智能
摘要
我们提出一个新框架，将点云配准表述为从噪声变换到目标变换的去噪扩散过程。在训练阶段，目标变换从真实变换扩散到随机分布，模型学习逆转这个加噪过程。在采样阶段，模型以渐进方式将随机生成的变换细化为输出结果。我们推导了训练用的闭式变分界，并提供了模型的实现。我们的工作提供了以下关键发现：(i) 与大多数现有方法相反，我们的框架——用于点云配准的扩散概率模型（PCRDiffusion）不需要重复更新源点云来细化预测的变换。(ii) 点云配准，作为代表性的判别任务之一，可以通过生成方式和统一的概率公式来解决。最后，我们讨论并展望了扩散模型在不同场景下用于点云配准的应用。实验结果表明，我们的模型在点云配准中取得了有竞争力的性能。在无对应和基于对应的场景中，PCRDiffusion均能实现超过50%的性能提升。
引用
@article{arxiv.2312.06063,
title = {PCRDiffusion: Diffusion Probabilistic Models for Point Cloud Registration},
author = {Yue Wu and Yongzhe Yuan and Xiaolong Fan and Xiaoshui Huang and Maoguo Gong and Qiguang Miao},
journal= {arXiv preprint arXiv:2312.06063},
year = {2023}
}