R-PointHop：一种绿色、准确且无监督的点云配准方法
计算机视觉与模式识别
2022-04-01 v3
摘要
受近期 PointHop 分类方法的启发，本文提出一种无监督的三维点云配准方法，称为 R-PointHop。R-PointHop 首先利用每个点的最近邻确定其局部参考系 (LRF) 并求取局部属性。接着，R-PointHop 通过点的下采样、邻域扩展、属性构建与降维步骤获得局部到全局的层次化特征。由此，利用最近邻规则在层次化特征空间中建立点对应关系。之后，选取具有良好对应关系的显著点子集来估计三维变换。LRF 的使用使点的层次化特征对旋转和平移具有不变性，从而使 R-PointHop 在建立点对应时更鲁棒，即便旋转角度较大亦如此。在 3DMatch、ModelNet40 与 Stanford Bunny 数据集上的实验证明了 R-PointHop 用于三维点云配准的有效性。R-PointHop 的模型规模与训练时间比深度学习方法小一个数量级，且配准误差更小，使其成为绿色且准确的解决方案。我们的代码已在 GitHub 上公开。
引用
@article{arxiv.2103.08129,
title = {R-PointHop: A Green, Accurate, and Unsupervised Point Cloud Registration Method},
author = {Pranav Kadam and Min Zhang and Shan Liu and C. -C. Jay Kuo},
journal= {arXiv preprint arXiv:2103.08129},
year = {2022}
}
备注
16 pages, 12 figures. Accepted by IEEE Transactions on Image Processing