释放 LiDAR 点云配准中的泛化能力
计算机视觉与模式识别
2025-03-14 v1
摘要
在真实环境中，具备鲁棒泛化能力（跨越不同距离和数据集）的 LiDAR 点云配准方法对于确保自动驾驶及其他基于 LiDAR 的应用的安全性至关重要。然而，现有方法在实现这种泛化能力方面存在不足。为解决这些局限性，我们提出了 UGP，一个旨在增强 LiDAR 点云配准泛化能力的剪枝框架。UGP 的核心思想是消除交叉注意力机制以提升泛化能力，使网络能够专注于帧内特征提取。此外，我们引入了一个渐进式自注意力模块以减少大规模场景中的模糊性，并集成了鸟瞰图（BEV）特征以融入场景元素的语义信息。这些增强共同显著提升了网络的泛化性能。我们在多个室外场景中通过多种泛化实验验证了所提方法。在 KITTI 和 nuScenes 上的跨距离泛化实验中，UGP 分别取得了 94.5% 和 91.4% 的最先进平均配准召回率。在从 nuScenes 到 KITTI 的跨数据集泛化中，UGP 取得了 90.9% 的最先进平均配准召回率。代码将在 https://github.com/peakpang/UGP 上公开。
引用
@article{arxiv.2503.10149,
title = {Unlocking Generalization Power in LiDAR Point Cloud Registration},
author = {Zhenxuan Zeng and Qiao Wu and Xiyu Zhang and Lin Yuanbo Wu and Pei An and Jiaqi Yang and Ji Wang and Peng Wang},
journal= {arXiv preprint arXiv:2503.10149},
year = {2025}
}
备注
Accepted by CVPR 2025