SPEAL：用于跨源点云配准的骨架先验嵌入注意力学习
计算机视觉与模式识别
2024-03-05 v2
摘要
点云配准是 3D 计算机视觉中的一项基础任务，但在跨源点云和非结构化场景中很大程度上尚未被探索。主要挑战来自噪声、离群点以及尺度和密度的变化。然而，被忽视的点云几何特性限制了当前方法的性能。在本文中，我们提出了一种称为 SPEAL 的新方法，利用骨架表示有效学习点云的内在拓扑，从而促进对几何复杂性的鲁棒捕获。具体而言，我们设计了骨架提取模块，以无监督方式提取骨架点和骨架特征，这本质上对噪声和密度差异具有鲁棒性。然后，我们提出了骨架感知 GeoTransformer 来编码高级骨架感知特征。它利用抗噪且密度不变的骨架表示，显式捕获拓扑特性和点云间的骨架相关性。接下来，我们引入对应双采样器，通过用骨架对应关系增强对应集来促进对应关系的建立。此外，我们构建了一个具有挑战性的新型大规模跨源点云数据集，命名为 KITTI CrossSource，用于对跨源点云配准方法进行基准测试。我们进行了大量的定量和定性实验，以证明我们的方法在跨源和同源数据集上的优越性和鲁棒性。据我们所知，我们的方法是首个利用骨架几何先验来促进点云配准的方法。
引用
@article{arxiv.2312.08664,
title = {SPEAL: Skeletal Prior Embedded Attention Learning for Cross-Source Point Cloud Registration},
author = {Kezheng Xiong and Maoji Zheng and Qingshan Xu and Chenglu Wen and Siqi Shen and Cheng Wang},
journal= {arXiv preprint arXiv:2312.08664},
year = {2024}
}
备注
Accepted by AAAI2024