面向无监督点云配准的可靠内点评估

无监督点云配准算法在部分重叠问题中常因缺乏有效的内点评估而导致配准精度不理想。本文提出一种基于邻域一致性的可靠内点评估方法，用于鲁棒的无监督点云配准。该方法旨在捕捉源邻域与对应伪目标邻域之间具有判别性的几何差异，以实现有效的内点区分。具体而言，我们的模型由匹配图精化模块与内点评估模块组成。在匹配图精化模块中，我们通过将邻域的匹配分数整合进逐点匹配图估计来改进之。聚合的邻域信息有助于构建判别性映射，从而可提供高质量对应关系以生成伪目标点云。基于离群点在其源邻域与对应伪目标邻域间存在显著结构差异、而内点该差异较小的观察，内点评估模块利用此差异为每个估计对应关系打分内点置信度。特别地，我们构建一种有效的图表示以捕捉邻域间的该几何差异。最后，利用学习到的对应关系及相应内点置信度，我们采用加权 SVD 算法进行变换估计。在无监督设定下，我们利用基于 Huber 函数的全局对齐损失、局部邻域一致性损失与空间一致性损失进行模型优化。在大量数据集上的实验结果表明，我们的无监督点云配准方法可取得可比的性能。