PointDifformer: 基于神经扩散与Transformer的鲁棒点云配准
计算机视觉与模式识别
2024-04-23 v1
摘要
点云配准是3-D计算机视觉中的基本技术，具有在图形、自动驾驶和机器人等领域广泛应用。然而，在噪声或扰动普遍存在的恶劣条件下，配准任务可能具有挑战性。我们提出了一种鲁棒点云配准方法，利用图神经偏微分方程（PDEs）和热核签名。我们的 метод首先使用图神经PDE模块从点云中提取高维特征，通过聚合3-D点邻域信息来增强特征表示的鲁棒性。随后，我们将热核签名纳入注意力机制，以高效获取对应的关键点。最后，使用带可学习权重的奇异值分解（SVD）模块来预测两个点云之间的变换。在3-D点云数据集上的实验表明，我们的方法不仅在点云配准方面实现了最先进的性能，而且在加性噪声或3-D形状扰动方面表现出更好的鲁棒性。
关键词
引用
@article{arxiv.2404.14034,
title = {PointDifformer: Robust Point Cloud Registration With Neural Diffusion and Transformer},
author = {Rui She and Qiyu Kang and Sijie Wang and Wee Peng Tay and Kai Zhao and Yang Song and Tianyu Geng and Yi Xu and Diego Navarro Navarro and Andreas Hartmannsgruber},
journal= {arXiv preprint arXiv:2404.14034},
year = {2024}
}
备注
Accepted by IEEE Transactions on Geoscience and Remote Sensing