基于学习动态模型的无监督点云配准规划方法
计算机视觉与模式识别
2021-08-20 v2 人工智能
摘要
点云配准是三维计算机视觉中的一个基本问题。本文将点云配准转化为强化学习中的规划问题，可通过试错寻找源点云与目标点云之间的变换。通过将点云配准过程建模为马尔可夫决策过程（MDP），我们构建了由变换网络和评估网络组成的点云隐动态模型。变换网络旨在预测点云执行刚体变换（即动作）后的新变换特征，而评估网络旨在预测变换后源点云与目标点云之间的对齐精度作为奖励信号。一旦点云动态模型训练完成，我们采用交叉熵方法（CEM）通过在配准过程中最大化奖励来迭代更新规划策略。从而可通过逐步缩小变换的搜索空间获得最优策略，即源点云与目标点云之间的变换。在 ModelNet40 和 7Scene 基准数据集上的实验结果表明，我们的方法能以无监督方式取得良好的配准性能。
引用
@article{arxiv.2108.02613,
title = {Planning with Learned Dynamic Model for Unsupervised Point Cloud Registration},
author = {Haobo Jiang and Jin Xie and Jianjun Qian and Jian Yang},
journal= {arXiv preprint arXiv:2108.02613},
year = {2021}
}
备注
Accepted by IJCAI-2021