用于鲁棒非刚性配准的拟牛顿求解器

不完美数据（噪声、离群点及部分重叠）与高自由度使得非刚性配准成为计算机视觉中经典的难题。现有方法通常采用$\ell_{p}$型鲁棒估计子来正则化拟合与平滑，并使用近端算子求解所得非光滑问题。然而，这些算法收敛缓慢限制了其广泛应用。本文中，我们提出一种基于全局平滑鲁棒估计子的鲁棒非刚性配准公式用于数据拟合与正则化，可处理离群点与部分重叠。我们将majorization-minimization算法应用于该问题，将每次迭代化简为求解一个带L-BFGS的简单最小二乘问题。大量实验证明了我们的方法在含离群点与部分重叠的两形状间非刚性对齐的有效性，定量评估表明其在配准精度与计算速度上均优于最先进方法。源代码见 https://github.com/Juyong/Fast_RNRR。