RIGA:用于点云配准的旋转不变与全局感知描述子
计算机视觉与模式识别
2022-09-28 v1
摘要
成功的点云配准依赖于基于强大描述子建立的准确对应。然而,现有的神经描述子要么利用旋转可变的主干网络,其性能在大旋转下下降,要么编码区分度较低的局部几何。为解决这个问题,我们引入 RIGA 来学习在设计上旋转不变且全局感知的描述子。从稀疏局部区域的点对特征(Point Pair Features, PPFs)中,旋转不变的局部几何被编码为几何描述子。随后,3D 结构和几何上下文的全局感知被以旋转不变的方式纳入。更具体地,整个帧的 3D 结构首先由我们的全局 PPF 签名表示,从中学习结构描述子以帮助几何描述子感知局部区域之外的 3D 世界。然后,来自整个场景的几何上下文被全局聚合到描述子中。最后,稀疏区域的描述被插值到稠密点描述子,从中提取对应用于配准。为验证我们的方法,我们在物体级和场景级数据上进行了大量实验。在大旋转下,RIGA 在 ModelNet40 上相对于相对旋转误差(Relative Rotation Error)以 8° 的优势超越最先进(state-of-the-art)方法,并在 3DLoMatch 上将特征匹配召回率(Feature Matching Recall)至少提高 5 个百分点。
引用
@article{arxiv.2209.13252,
title = {RIGA: Rotation-Invariant and Globally-Aware Descriptors for Point Cloud Registration},
author = {Hao Yu and Ji Hou and Zheng Qin and Mahdi Saleh and Ivan Shugurov and Kai Wang and Benjamin Busam and Slobodan Ilic},
journal= {arXiv preprint arXiv:2209.13252},
year = {2022}
}