基于骨架的鲁棒注册框架用于受损三维点云
计算机视觉与模式识别
2025-09-30 v1 机器学习
摘要
点云配准是三维视觉应用中的基础技术，包括自动驾驶、机器人和医学成像，其中多组点云的精确对齐对于准确的环境重建至关重要。然而，真实世界的点云常受传感器限制、环境噪声和预处理误差的影响，由于密度失真、噪声污染和几何变形，使配准变得具有挑战性。现有的配准方法依赖于直接点匹配或表面特征提取，这些方法极易受这些损坏因素的影响，导致对齐精度降低。为应对这些挑战，我们提出了一种基于骨架的鲁棒配准框架，该框架引入了一种抗损坏的骨架表示以提高配准的鲁棒性和精度。该框架将骨架结构集成到配准过程中，并结合来自受损点云对齐及其骨架对齐的变换以实现最优配准。此外，设计了一种分布距离损失函数以强制源骨架和目标骨架之间的一致性，这显著提升了配准性能。该框架确保对齐同时考虑了原始局部几何特征和骨架结构的全局稳定性，从而产生鲁棒且精确的配准结果。在各种受损数据集上的实验评估表明，SRRF在不同损坏场景下（包括密度失真、噪声污染和几何变形）持续优于最先进的配准方法。结果证实了SRRF在处理受损点云方面的鲁棒性，使其成为真实世界三维感知任务的潜在方法。
引用
@article{arxiv.2509.24273,
title = {Skeleton-based Robust Registration Framework for Corrupted 3D Point Clouds},
author = {Yongqiang Wang and Weigang Li and Wenping Liu and Zhiqiang Tian and Jinling Li},
journal= {arXiv preprint arXiv:2509.24273},
year = {2025}
}