全范围内鲁棒的局部到局部点云配准
计算机视觉与模式识别
2022-04-11 v2
摘要
由于稀疏且有噪声的测量、不完整的观测以及较大的变换，3D 物体的点云配准是一项具有挑战性的任务。在本文中，我们提出图匹配共识网络（GMCNet），它在物体级配准场景下为全范围局部到局部点云配准（PPR）估计位姿不变对应关系。为编码鲁棒的点描述子，1）我们首先全面研究各类几何特征的变换鲁棒性与抗噪性。2）接着，我们采用一种新颖的变换鲁棒点变换器（TPT）模块，针对结构关系自适应聚合局部特征，该模块利用了手工设计的旋转不变（RI）特征与抗噪空间坐标两者的优势。3）基于分层图网络与图建模的协同，我们提出分层图建模（HGM）架构来编码鲁棒描述子，其包含：i）从 RI 特征学习的单元项；以及 ii）通过我们的 TPT 模块从不同尺度邻点关系编码的多个平滑项。此外，我们基于近期 MVP 数据集构建了具有高质量扫描的挑战性 PPR 数据集（MVP-RG）。大量实验表明 GMCNet 在 PPR 上优于先前最先进的方法。值得注意的是，GMCNet 为每个点云单独编码点描述子，不使用跨上下文信息，也不使用真实对应关系进行训练。我们的代码与数据集可在：https://github.com/paul007pl/GMCNet 获取。
引用
@article{arxiv.2111.15606,
title = {Robust Partial-to-Partial Point Cloud Registration in a Full Range},
author = {Liang Pan and Zhongang Cai and Ziwei Liu},
journal= {arXiv preprint arXiv:2111.15606},
year = {2022}
}
备注
15 pages, 9 figures. Github Website: https://github.com/paul007pl/GMCNet