UnsupervisedR&R：基于可微渲染的无监督点云配准
计算机视觉与模式识别
2021-02-24 v1
摘要
将场景的局部视图对齐为整体，对于理解自身环境至关重要，并且是SLAM和SfM等众多机器人任务的关键组成部分。近期的方法提出了端到端系统，通过利用位姿监督能够超越传统方法。然而，随着带深度传感器的摄像头的日益普及，我们可以预期会出现一股缺乏监督所需标注的原始RGB-D数据流。我们提出UnsupervisedR&R：一种从原始RGB-D视频中学习点云配准的端到端无监督方法。其核心思想是利用可微对齐与渲染来强制帧间的光度与几何一致性。我们在室内场景数据集上评估了我们的方法，发现我们使用经典与学习型描述子均优于现有的传统方法，同时与有监督的几何点云配准方法具有竞争力。
引用
@article{arxiv.2102.11870,
title = {UnsupervisedR&R: Unsupervised Point Cloud Registration via Differentiable Rendering},
author = {Mohamed El Banani and Luya Gao and Justin Johnson},
journal= {arXiv preprint arXiv:2102.11870},
year = {2021}
}
备注
11 pages, 4 figures, 3 tables