重访 PointNetLK
计算机视觉与模式识别
2021-03-31 v2
摘要
我们探讨近期基于学习的点云配准方法的泛化能力。尽管这些方法取得了成功，但当应用于训练集中未充分代表的失配条件（如未见过的物体类别、不同的复杂场景或未知深度传感器）时，其性能往往较差。在此类情形下，依赖具有更好泛化能力的经典非学习方法（例如 Iterative Closest Point）通常更为可取。使用学习预测点对应关系再以确定性步骤对齐的混合学习方法提供了一定缓解，但其泛化能力仍受限。我们重访近期的一项创新——PointNetLK——并表明引入解析雅可比矩阵可展现出卓越的泛化特性，同时收获学习框架固有的保真度优势。我们的方法不仅在失配条件下优于当前最优（SOTA）方法，而且在贴近训练集的真实世界测试数据上所得结果亦与当前学习方法具竞争力。
引用
@article{arxiv.2008.09527,
title = {PointNetLK Revisited},
author = {Xueqian Li and Jhony Kaesemodel Pontes and Simon Lucey},
journal= {arXiv preprint arXiv:2008.09527},
year = {2021}
}