SGNet：用于点云配准的显著几何网络
计算机视觉与模式识别
2024-08-29 v5
摘要
点云配准(PCR)是计算机视觉中一项关键且具有挑战性的任务。PCR的主要困难之一是识别在不同扫描间表现出一致语义和几何属性的显著且有意义的点的。先前的方法由于整个点云中块之间的相似性以及缺乏对高效全局几何一致性的考虑，在模糊匹配方面遇到了挑战。为了解决这些问题，我们提出了一种包含若干新技术的新框架。首先，我们引入了结合物体级和块级语义信息的语义感知几何编码器。该编码器通过减少块级超点匹配的模糊性显著提高了配准召回率。此外，我们采用了一种利用内蕴形状签名来识别显著点的先验知识方法。这使我们能够提取场景中最显著的超点和有意义的稠密点。其次，我们引入了一种编码高阶(HO)几何特征的创新transformer。这些特征对于在考虑全局高阶几何一致性的同时识别初始重叠区域内的显著点至关重要。为了进一步优化该高阶transformer，我们引入了锚节点选择策略。通过基于这些锚节点编码帧间三角形或多面体一致性特征，我们能够有效学习显著超点的高阶几何特征。这些高阶特征随后被传播到稠密点，并由Sinkhorn匹配模块用于识别成功配准的关键对应点。在3DMatch/3DLoMatch和KITTI等知名数据集上进行的实验中，我们的方法展示了有前景的结果，突显了我们新方法的有效性。
引用
@article{arxiv.2309.06207,
title = {SGNet: Salient Geometric Network for Point Cloud Registration},
author = {Qianliang Wu and Yaqing Ding and Lei Luo and Haobo Jiang and Shuo Gu and Chuanwei Zhou and Jin Xie and Jian Yang},
journal= {arXiv preprint arXiv:2309.06207},
year = {2024}
}