基于变分贝叶斯的鲁棒离群点剔除用于三维配准
计算机视觉与模式识别
2023-04-05 v1
摘要
用于鲁棒三维配准的基于学习的离群点（错误对应）剔除通常将离群点去除表述为内点/离群点分类问题。其成功的核心在于学习有判别力的内点/离群点特征表示。本文中，我们开发了一种新颖的基于变分非局部网络的离群点剔除框架以实现鲁棒对齐。通过用变分贝叶斯推断重构非局部特征学习，可建模贝叶斯驱动的长程依赖关系，以聚合有判别力的几何上下文信息用于内点/离群点区分。具体而言，为实现此类贝叶斯驱动的上下文依赖，我们非局部网络中的每个查询/键/值组件预测一个先验特征分布和一个后验分布。嵌入内点/离群点标签后，后验特征分布是标签依赖且有判别力的。因此，在训练阶段将先验推近该有判别力的后验，使得测试时从该先验采样的特征可建模高质量长程依赖。值得注意的是，为实现有效的后验特征引导，在我们的非局部模型上设计了特定的概率图模型，由此导出变分下界作为模型训练的优化目标。最后，我们提出基于投票的内点搜索策略，以聚类高质量假设内点用于变换估计。在3DMatch、3DLoMatch和KITTI数据集上的大量实验验证了方法的有效性。
引用
@article{arxiv.2304.01514,
title = {Robust Outlier Rejection for 3D Registration with Variational Bayes},
author = {Haobo Jiang and Zheng Dang and Zhen Wei and Jin Xie and Jian Yang and Mathieu Salzmann},
journal= {arXiv preprint arXiv:2304.01514},
year = {2023}
}
备注
Accepted by CVPR2023