基于自蒸馈的无监督点云配准
计算机视觉与模式识别
2024-09-13 v1 机器学习
机器人学
摘要
刚性点云配准是机器人和自动驾驶中的基础问题。目前，深度学习方法需要给定点云之间的变换来训练匹配。然而，这种训练往往不可扩展，因为获取真实姿态的成本很高。因此，我们提出一种自蒸馈方法，以无监督方式学习点云配准。在本方法中，每个样本被传递给教师网络，而另一个增强视图被传递给学生网络。教师网络包括一个可训练的特征提取器和一个学习自由的鲁棒求解器，如RANSAC。求解器迫使对应关系之间的一致性，并针对无监督的入侵比优化。我们的方法通过消除对初始手工特征或连续点云帧的需求，简化了训练程序。我们展示了该方法不仅在RGB-D基准数据集3DMatch上超越了先前方法，而且在汽车雷达数据上也表现出色，因为其他方法所采用的数据特征在该场景下会失败。代码已公开于https://github.com/boschresearch/direg。
引用
@article{arxiv.2409.07558,
title = {Unsupervised Point Cloud Registration with Self-Distillation},
author = {Christian Löwens and Thorben Funke and André Wagner and Alexandru Paul Condurache},
journal= {arXiv preprint arXiv:2409.07558},
year = {2024}
}
备注
Oral at BMVC 2024