基于采样网络引导交叉熵法的无监督点云配准

在本文中，通过将点点云配准任务建模为马尔可夫决策过程，我们提出了一种嵌入交叉熵法（CEM）的端到端深度模型，用于无监督三维配准。我们的模型由采样网络模块和可微 CEM 模块组成。在采样网络模块中，给定一对点云，采样网络学习变换空间上的先验采样分布。所学采样分布可用作可微 CEM 模块的“良好”初始化。在可微 CEM 模块中，我们首先提出基于最大一致准则的对齐度量作为点云配准任务的奖励函数。基于该奖励函数，随后为每个状态构造一个融合评分函数以评估采样得到的变换，其中我们对变换的当前与未来奖励进行加权。特别地，采样变换的未来奖励通过对变换后状态执行迭代最近点（ICP）算法获得。通过选取得分最高的前 k 个变换，我们迭代更新采样分布。此外，为使 CEM 可微，我们使用 sparsemax 函数替代硬 top-$k$ 选择。最后，我们构造基于 Geman-McClure 估计器的损失来训练端到端配准模型。大量实验结果证明了我们的方法在基准数据集上的良好配准性能。