通过点云配准重新思考旋转不变性
计算机视觉与模式识别
2023-01-03 v1
摘要
近期关于三维点云旋转不变性的研究致力于设计旋转不变特征描述子或学习物体语义对齐的规范空间。对不变性学习框架的考察则很少被关注。在本工作中,我们从点云配准的角度审视旋转不变性,并提出一个通过三个顺序阶段实现旋转不变性学习的有效框架,即旋转不变形状编码、对齐特征整合和深度特征配准。我们首先基于不同尺度(如局部块和全局拓扑)定义的参考帧构建形状描述子进行编码,以生成旋转不变潜在形状码。在整合阶段,我们提出对齐整合Transformer,通过整合形状码中建立的点间自相关与互相关来产生判别性特征表示。同时,我们采用参考帧间的刚性变换来对齐形状码,以实现跨尺度的特征一致性。最后,将深度整合特征配准到两个旋转不变形状码以最大化特征相似性,从而保留整合特征的旋转不变性并从形状码中隐式提取共享语义信息。在三维形状分类、部件分割和检索任务上的实验结果证明了我们工作的可行性。我们的项目页面发布于:https://rotation3d.github.io/。
引用
@article{arxiv.2301.00149,
title = {Rethinking Rotation Invariance with Point Cloud Registration},
author = {Jianhui Yu and Chaoyi Zhang and Weidong Cai},
journal= {arXiv preprint arXiv:2301.00149},
year = {2023}
}
备注
Accepted by AAAI23