SphereNet：学习用于点云配准的噪声鲁棒且具泛化性的描述子
计算机视觉与模式识别
2023-07-19 v1
摘要
点云配准旨在估计一种变换以对齐从不同视角采集的点云。在基于学习的点云配准中，鲁棒的描述子对高精度配准至关重要。然而，多数方法易受噪声影响，且在未见过的数据集上泛化能力较差。受此启发，我们提出 SphereNet 以学习一种用于点云配准的噪声鲁棒且对未见过数据具泛化性的描述子。在我们的方法中，首先，椭球生成器基于球形体素化构建几何域以编码初始特征。然后，引入球的球面插值以实现对噪声的鲁棒性。最后，一种带有球面完整性填充的新型球面卷积神经网络完成描述子的提取，减少了特征损失并充分捕获几何特征。为评估我们的方法，引入了具有强噪声的新基准 3DMatch-noise。在室内与室外数据集上进行了大量实验。在高强度噪声下，SphereNet 在 3DMatch-noise 上将特征匹配召回率提升了超过 25 个百分点。此外，它在 3DMatch 和 3DLoMatch 基准上以 93.5% 和 75.6% 的配准召回率确立了新的 SOTA 性能，并且在未见过的数据集上具有最佳泛化能力。
引用
@article{arxiv.2307.09351,
title = {SphereNet: Learning a Noise-Robust and General Descriptor for Point Cloud Registration},
author = {Guiyu Zhao and Zhentao Guo and Xin Wang and Hongbin Ma},
journal= {arXiv preprint arXiv:2307.09351},
year = {2023}
}
备注
15 pages, under review for IEEE Transactions on Circuits and Systems for Video Technology