基于全局上下文置信度估计的鲁棒部分三维点云配准
计算机视觉与模式识别
2025-09-30 v1
摘要
部分点云配准对于自主感知和三维场景理解至关重要，但由于结构模糊性、部分可见性和噪声而仍然具有挑战性。我们通过提出置信度估计 under 全局上下文（CEGC）来解决这些问题，这是一种统一的、基于置信度的鲁棒部分三维配准框架。CEGC通过联合建模重叠置信度和对应可靠性在共享全局上下文中实现精确对齐。具体而言，混合重叠置信度估计模块整合语义描述符和几何相似性以检测重叠区域并早期抑制离群点。上下文感知的匹配策略通过采用全局注意力为对应分配软置信度分数来缓解模糊性，从而提升鲁棒性。这些分数指导一个可微分的加权奇异值分解求解器来计算精确变换。这一紧密耦合的管道自适应地降低不确定区域的权重并强调上下文上可靠的匹配。在ModelNet40、ScanObjectNN和7Scenes三维视觉数据集上的实验表明，CEGC在精度、鲁棒性和泛化性方面优于最先进的方法。总体而言，CEGC为挑战条件下的部分点云配准提供了一个可解释且可扩展的解决方案。
引用
@article{arxiv.2509.24275,
title = {Robust Partial 3D Point Cloud Registration via Confidence Estimation under Global Context},
author = {Yongqiang Wang and Weigang Li and Wenping Liu and Zhe Xu and Zhiqiang Tian},
journal= {arXiv preprint arXiv:2509.24275},
year = {2025}
}