RPM-Net：基于学习特征的鲁棒点匹配
计算机视觉与模式识别
2021-03-29 v1
摘要
迭代最近点（ICP）通过两个迭代步骤求解刚性点云配准问题：（1）对空间上最接近的点对应关系进行硬分配，然后（2）求解最小二乘刚性变换。基于空间距离的硬分配最近点对应关系对初始刚性变换以及噪声/离群点敏感，常导致 ICP 收敛到错误的局部极小值。本文中，我们提出 RPM-Net——一种对初始化较不敏感且更鲁棒的基于深度学习的刚性点云配准方法。为此，我们的网络使用可微 Sinkhorn 层与退火，从空间坐标和局部几何学习到的混合特征中获得点对应关系的软分配。为了进一步提升配准性能，我们引入一个辅助网络来预测最优退火参数。与一些现有方法不同，我们的 RPM-Net 能处理缺失对应关系以及具有部分可见性的点云。实验结果表明，与现有的非深度学习和近期深度学习方法相比，我们的 RPM-Net 达到了最先进的性能。我们的源代码可在项目网站 https://github.com/yewzijian/RPMNet 获取。
引用
@article{arxiv.2003.13479,
title = {RPM-Net: Robust Point Matching using Learned Features},
author = {Zi Jian Yew and Gim Hee Lee},
journal= {arXiv preprint arXiv:2003.13479},
year = {2021}
}
备注
10 pages, 4 figures. To appear in CVPR2020