面向部分点云配准的无监督深度概率方法
计算机视觉与模式识别
2023-03-24 v1 人工智能
概率论
摘要
深度点云配准方法面临部分重叠的挑战且依赖标注数据。为解决这些问题，我们提出 UDPReg，一种面向部分重叠点云的无监督深度概率配准框架。具体而言，我们首先采用一个网络从点云中学习高斯混合模型（GMMs）的后验概率分布。为处理部分点云配准，我们应用 Sinkhorn 算法在 GMMs 混合权重的约束下预测分布级对应关系。为实现无监督学习，我们设计了三种基于分布一致性的损失：自一致性、交叉一致性和局部对比。自一致性损失通过鼓励欧氏空间与特征空间中的 GMMs 共享相同的后验分布来构造。交叉一致性损失源于如下事实：两个部分重叠点云中属于同一簇的点共享簇中心。交叉一致性损失使网络能够灵活学习两个已对齐点云的转换不变后验分布。局部对比损失促使网络提取有判别力的局部特征。我们的 UDPReg 在 3DMatch/3DLoMatch 和 ModelNet/ModelLoNet 基准上取得了有竞争力的性能。
引用
@article{arxiv.2303.13290,
title = {Unsupervised Deep Probabilistic Approach for Partial Point Cloud Registration},
author = {Guofeng Mei and Hao Tang and Xiaoshui Huang and Weijie Wang and Juan Liu and Jian Zhang and Luc Van Gool and Qiang Wu},
journal= {arXiv preprint arXiv:2303.13290},
year = {2023}
}
备注
CVPR 2023