PointNetLK：基于PointNet的鲁棒高效点云配准
计算机视觉与模式识别
2019-04-05 v2
摘要
PointNet革新了我们对点云表示的认知。在分类与分割任务中，该方法及其后续扩展均为当前最优（SOTA）。迄今为止，PointNet在点云配准上的成功应用仍难以实现。本文我们认为PointNet本身可被视为一个可学习的“成像”函数。由此，经典视觉图像对齐算法可应用于该问题——即Lucas & Kanade（LK）算法。我们的核心创新源于：(i) 如何修改LK算法以适应PointNet成像函数；(ii) 将PointNet与LK算法展开为单一可训练循环深度神经网络。我们描述了该架构，并在常见配准场景中将其性能与SOTA进行比较。该架构具备若干显著特性，包括跨形状类别的泛化能力与计算效率——为深度学习在点云配准中的应用开辟了新探索路径。代码与视频见 https://github.com/hmgoforth/PointNetLK。
引用
@article{arxiv.1903.05711,
title = {PointNetLK: Robust & Efficient Point Cloud Registration using PointNet},
author = {Yasuhiro Aoki and Hunter Goforth and Rangaprasad Arun Srivatsan and Simon Lucey},
journal= {arXiv preprint arXiv:1903.05711},
year = {2019}
}
备注
Accepted in CVPR 2019. v2: updated affiliations, additional result in Fig 1