基于代表性重叠点的点云配准
计算机视觉与模式识别
2021-07-07 v1
摘要
三维点云配准是机器人与计算机视觉中的一项基础任务。近年来，许多基于对应关系的学习型点云配准方法相继出现。然而，这些方法严重依赖此类对应关系，在部分重叠时面临巨大挑战。本文提出 ROPNet，一种利用具有判别性特征的代表性重叠点进行配准的新型深度学习模型，该模型将部分到部分的配准转化为部分到完整的配准。具体而言，我们提出一个上下文引导模块，利用编码器提取全局特征以预测点的重叠分数。为了更好地寻找代表性重叠点，我们利用提取的全局特征进行粗对齐。随后，我们引入一个 Transformer 来丰富点的特征，并基于点的重叠分数与特征匹配去除非代表性点。以部分到完整的方式构建相似度矩阵，最后采用加权 SVD 估计变换矩阵。在 ModelNet40 上使用含噪声与部分重叠点云的广泛实验表明，所提方法优于传统方法与基于学习的方法，取得了最先进的性能。代码已发布于 https://github.com/zhulf0804/ROPNet。
引用
@article{arxiv.2107.02583,
title = {Point Cloud Registration using Representative Overlapping Points},
author = {Lifa Zhu and Dongrui Liu and Changwei Lin and Rui Yan and Francisco Gómez-Fernández and Ninghua Yang and Ziyong Feng},
journal= {arXiv preprint arXiv:2107.02583},
year = {2021}
}