PointDSC：基于深度空间一致性的鲁棒点云配准
计算机视觉与模式识别
2021-03-10 v1
摘要
去除离群对应点是基于特征的点云配准成功的关键步骤之一。尽管在该领域引入深度学习方法日益流行，但本质上由点云间欧氏变换建立的空间一致性，在现有学习框架中几乎未受到单独关注。本文提出PointDSC，一种显式结合空间一致性以剪枝离群对应点的新型深度神经网络。首先，我们提出一个由特征与空间相干性共同加权的非局部特征聚合模块，用于输入对应点的特征嵌入。其次，我们构建一个由成对空间兼容性监督的可微谱匹配模块，从嵌入特征中估计每个对应点的内点置信度。以适度的计算代价，我们的方法在多个真实数据集上显著优于最先进的基于手工和学习方法的离群点剔除方法。我们还通过将PointDSC与不同3D局部描述子结合，展示了其广泛适用性。
引用
@article{arxiv.2103.05465,
title = {PointDSC: Robust Point Cloud Registration using Deep Spatial Consistency},
author = {Xuyang Bai and Zixin Luo and Lei Zhou and Hongkai Chen and Lei Li and Zeyu Hu and Hongbo Fu and Chiew-Lan Tai},
journal= {arXiv preprint arXiv:2103.05465},
year = {2021}
}
备注
Accepted to CVPR 2021, supplementary materials included