基于拉普拉斯混合模型的点集鲁棒多视图配准
计算机视觉与模式识别
2022-11-22 v1
摘要
点集配准是许多计算机视觉应用（如三维重建与 SLAM）中的关键步骤。尽管存在许多面向不同目的的配准算法，但由于各种真实场景复杂度日益增加（如强噪声与离群点污染），该问题仍具挑战性。本文提出一种新颖的概率生成方法，基于重尾拉普拉斯分布同时对齐多个点集。所提方法假设每个数据点由拉普拉斯混合模型（LMM）生成，其中心由其他点集中对应点确定。不同于先前基于高斯混合模型（GMM）的方法（其最小化点与高斯概率密度中心间的二次距离），LMM 最小化稀疏诱导的 L1 距离，因而对噪声与离群点更鲁棒。我们采用期望最大化（EM）框架求解 LMM 参数与刚性变换。我们通过李代数中的指数映射将 L1 优化近似为线性规划问题，可经内点法有效求解。为提升效率，我们也通过交替方向乘子法（ADMM）求解 L1 优化。在基准挑战性数据集上，我们从鲁棒性与准确性方面与代表性前沿方法比较，展示了所提方法的优势。
引用
@article{arxiv.2110.13744,
title = {Robust Multi-view Registration of Point Sets with Laplacian Mixture Model},
author = {Jin Zhang and Mingyang Zhao and Xin Jiang and Dong-Ming Yan},
journal= {arXiv preprint arXiv:2110.13744},
year = {2022}
}