Robust-DefReg：一种基于图卷积神经网络的鲁棒可变形点云配准方法
计算机视觉与模式识别
2025-06-06 v1 机器学习
摘要
点云配准是计算机视觉中的基础问题，旨在估计对应点集之间的变换。尤其是非刚性配准，涉及应对不同形变程度、噪声、离群点和数据不完整性等挑战。本文提出Robust-DefReg，一种基于图卷积网络（GCNs）的鲁棒非刚性点云配准方法。Robust-DefReg是端到端流程中的由粗到精配准方法，兼具粗配准与精配准方法的优势。该方法学习全局特征以寻找源点云与目标点云间的对应关系，实现恰当的初始对齐，随后进行精细配准。现有研究中较少同时实现对所有挑战的高精度与鲁棒性，这使其成为Robust-DefReg方法的关键目标。所提方法在大形变下保持高精度的同时维持计算效率。该方法具有三个主要属性：高精度、对不同挑战的鲁棒性以及计算效率。实验结果表明，所提Robust-DefReg作为未来非刚性点云配准研究的基础架构具有重要潜力。Robust-DefReg的源代码已公开。
引用
@article{arxiv.2306.04701,
title = {Robust-DefReg: A Robust Deformable Point Cloud Registration Method based on Graph Convolutional Neural Networks},
author = {Sara Monji-Azad and Marvin Kinz and Jürgen Hesser},
journal= {arXiv preprint arXiv:2306.04701},
year = {2025}
}