SGOR：利用语义和几何信息进行鲁棒点云配准的离群点去除

在本文中，我们介绍了一种新的离群点去除方法，该方法充分利用几何和语义信息，以实现鲁棒的配准。当前基于语义的配准方法仅使用语义进行点对点或实例语义对应生成，这存在两个问题。首先，这些方法高度依赖于语义的正确性。它们在语义不正确和语义稀疏的场景中表现不佳。其次，语义的使用仅限于对应生成，导致在弱几何场景中性能不佳。为了解决这些问题，一方面，我们提出了基于区域投票的二次地面分割和松散语义一致性。它通过减少对单点语义的依赖来提高对语义正确性的鲁棒性。另一方面，我们提出了用于离群点去除的语义-几何一致性，这充分利用了语义信息并显著提高了对应的质量。此外，还提出了两阶段假设验证，解决了弱几何场景中不正确的变换选择问题。在室外数据集中，我们的方法展示了优越的性能，配准召回率提高了22.5个百分点，并在各种条件下实现了更好的鲁棒性。我们的代码已公开。