RegFormer：一种用于大规模点云配准的高效投影感知 Transformer 网络
计算机视觉与模式识别
2023-08-11 v3
摘要
尽管点云配准在物体级与室内场景已取得显著进展，大规模配准方法却鲜有探索。挑战主要源于室外 LiDAR 扫描的巨大点数、复杂分布与离群点。此外，多数现有配准工作通常采用两阶段范式：先通过提取判别性局部特征寻找对应关系，再利用估计器（如 RANSAC）过滤离群点，这高度依赖于精心设计的描述符与后处理选择。为解决这些问题，我们提出一种端到端 Transformer 网络（RegFormer）用于大规模点云对齐，无需任何进一步后处理。具体而言，提出投影感知分层 Transformer，通过全局提取点特征来捕获长程依赖并过滤离群点。我们的 Transformer 具有线性复杂度，即便对大规模场景也保证高效率。此外，为有效减少错配，设计了一种双射关联 Transformer 用于回归初始变换。在 KITTI 与 NuScenes 数据集上的大量实验表明，我们的 RegFormer 在精度与效率上均取得了具竞争力的性能。
引用
@article{arxiv.2303.12384,
title = {RegFormer: An Efficient Projection-Aware Transformer Network for Large-Scale Point Cloud Registration},
author = {Jiuming Liu and Guangming Wang and Zhe Liu and Chaokang Jiang and Marc Pollefeys and Hesheng Wang},
journal= {arXiv preprint arXiv:2303.12384},
year = {2023}
}
备注
Accepted by ICCV2023. Codes are released at https://github.com/IRMVLab/RegFormer