RCP：用于三维点云场景流估计的循环最近点
计算机视觉与模式识别
2022-05-25 v2
摘要
包括场景流和点云配准在内的三维运动估计引起了越来越多的关注。受二维流估计的启发，近期方法采用深度神经网络构建代价体以估计精确的三维流。然而，这些方法受限于以下事实：由于点云不规则的数据结构，难以在其上定义搜索窗口。在本文中，我们通过一种简单而有效的方法避免了这种不规则性。我们将问题分解为两个交错阶段，在第一阶段逐点优化三维流，随后在第二阶段于循环网络中全局正则化。因此，循环网络仅接收规则的逐点信息作为输入。在实验中，我们在三维场景流估计和点云配准任务上评估了所提方法。对于三维场景流估计，我们在广泛使用的FlyingThings3D和KITTI数据集上进行比较。对于点云配准，我们遵循先前工作，评估来自ModelNet40的具有大位姿和部分重叠的数据对。结果表明，我们的方法优于先前方法，并在三维场景流估计和点云配准上均达到了新的SOTA性能，这证明了所提零阶方法在不规则点云数据上的优越性。
引用
@article{arxiv.2205.11028,
title = {RCP: Recurrent Closest Point for Scene Flow Estimation on 3D Point Clouds},
author = {Xiaodong Gu and Chengzhou Tang and Weihao Yuan and Zuozhuo Dai and Siyu Zhu and Ping Tan},
journal= {arXiv preprint arXiv:2205.11028},
year = {2022}
}
备注
Accepted to CVPR 2022