基于深度图匹配的点云配准鲁棒框架
计算机视觉与模式识别
2021-03-09 v1
摘要
三维点云配准是计算机视觉与机器人学中的基础问题。该领域已有广泛研究，但现有方法在离群点比例大、有时间约束且缺乏良好变换初始化的情况下面临巨大挑战。近来，一系列基于学习的算法被提出并在速度上展现出优势。其中许多基于两幅点云之间的对应关系，因此不依赖变换初始化。然而，这些基于学习的方法对离群点敏感，导致更多错误对应。本文提出一种新颖的基于深度图匹配的点云配准框架。具体而言，我们首先将点云转化为图并为每个点提取深度特征。随后，我们开发了一个基于深度图匹配的模块来计算软对应矩阵。通过图匹配，在建立对应时不仅考虑每个点的局部几何，还考虑其在更大范围内的结构与拓扑，从而找到更多正确对应。我们用直接在对应上定义的损失训练网络，在测试阶段将软对应转化为硬一对一对应，从而可通过奇异值分解进行配准。此外，我们引入一种基于transformer的方法为图构建生成边，进一步提升了对应质量。在干净、含噪、部分对部分及未见类别点云配准上的大量实验表明，所提方法达到了最先进的性能。代码将公开于 https://github.com/fukexue/RGM。
引用
@article{arxiv.2103.04256,
title = {Robust Point Cloud Registration Framework Based on Deep Graph Matching},
author = {Kexue Fu and Shaolei Liu and Xiaoyuan Luo and Manning Wang},
journal= {arXiv preprint arXiv:2103.04256},
year = {2021}
}
备注
Accepted to CVPR 2021. The code will be made publicly available at https://github.com/fukexue/RGM