PointRegGPT：基于生成点云对提升 3D 点云配准
计算机视觉与模式识别
2025-08-08 v1
摘要
数据在训练基于学习的方法进行 3D 点云配准方面起着关键作用。然而，真实世界的数据集昂贵且难以构建，而基于渲染的合成数据则存在域间差距。在本工作中，我们提出 PointRegGPT，通过为训练生成点云对来提升 3D 点云配准。在给定单个深度图的情况下，我们首先应用随机相机运动将其重新投影到目标深度图中。将其转换为点云可得到训练对。为增强数据真实性，我们构建一个深度填充扩散生成模型，以重新投影后的源深度图作为条件处理目标深度图。我们还设计了深度校正模块来缓解点穿透在重新投影期间产生的损伤。据我们所知，这是首个探索用于室内点云配准的真实数据生成的生成方法。当配备本方法后，若干最近的算法均能显著提升性能，在两个常见基准测试中持续实现最佳结果 (SOTA)。该代码和数据集将发布于 https://github.com/Chen-Suyi/PointRegGPT。
引用
@article{arxiv.2407.14054,
title = {PointRegGPT: Boosting 3D Point Cloud Registration using Generative Point-Cloud Pairs for Training},
author = {Suyi Chen and Hao Xu and Haipeng Li and Kunming Luo and Guanghui Liu and Chi-Wing Fu and Ping Tan and Shuaicheng Liu},
journal= {arXiv preprint arXiv:2407.14054},
year = {2025}
}
备注
To appear at the European Conference on Computer Vision (ECCV) 2024