REGTR：基于 Transformer 的端到点云对应关系
计算机视觉与模式识别
2022-03-29 v1
摘要
尽管近期将学习引入点云配准取得了成功，许多工作仍聚焦于学习特征描述子，并继续依赖最近邻特征匹配与通过 RANSAC 的离群值滤波来获得用于位姿估计的最终对应关系集合。在本工作中，我们推测注意力机制可取代显式特征匹配与 RANSAC 的作用，从而提出一个端到端框架直接预测最终的对应关系集合。我们使用主要由包含自注意力与交叉注意力的 transformer 层构成的网络架构，并训练其预测每个点落在重叠区域的概率及其在另一点云中的对应位置。所需的刚性变换随后可直接由预测的对应关系估计，无需进一步后处理。尽管简单，我们的方法在 3DMatch 与 ModelNet 基准上取得了最先进的性能。我们的源代码可在 https://github.com/yewzijian/RegTR 找到。
引用
@article{arxiv.2203.14517,
title = {REGTR: End-to-end Point Cloud Correspondences with Transformers},
author = {Zi Jian Yew and Gim Hee Lee},
journal= {arXiv preprint arXiv:2203.14517},
year = {2022}
}
备注
15 pages, 11 figures, CVPR2022