基于可靠位姿图初始化与历史重加权的鲁棒多视角点云配准
计算机视觉与模式识别
2023-04-04 v1
摘要
在本文中，我们提出了一种点云多视角配准的新方法。以往的多视角配准方法依赖穷举的成对配准来构建密集连接的位姿图，并在位姿图上应用迭代重加权最小二乘（IRLS）来计算扫描位姿。然而，构建密集连接图耗时且包含大量离群边，使得后续 IRLS 难以找到正确位姿。为解决上述问题，我们首先提出使用神经网络估计扫描对之间的重叠度，从而能够构建稀疏但可靠的位姿图。然后，我们在 IRLS 方案中设计了一种新颖的历史重加权函数，其对图上的离群边具有强鲁棒性。与现有多视角配准方法相比，我们的方法在 3DMatch 数据集上实现了高 11% 的配准召回率，在 ScanNet 数据集上降低了约 13% 的配准误差，同时减少了约 70% 所需的成对配准。我们进行了全面的消融实验以证明我们设计的有效性。
引用
@article{arxiv.2304.00467,
title = {Robust Multiview Point Cloud Registration with Reliable Pose Graph Initialization and History Reweighting},
author = {Haiping Wang and Yuan Liu and Zhen Dong and Yulan Guo and Yu-Shen Liu and Wenping Wang and Bisheng Yang},
journal= {arXiv preprint arXiv:2304.00467},
year = {2023}
}
备注
Accepted by CVPR 2023; Code at https://github.com/WHU-USI3DV/SGHR