VRNet:为三维点云配准学习校正虚拟对应点
计算机视觉与模式识别
2022-03-25 v1
摘要
三维点云配准对异常值十分敏感,异常值被标记为没有对应点的点。为处理该问题,一种被广泛采用的策略是仅基于一些准确的对应关系来估计相对位姿,这通过在对识别出的内点建立对应关系或筛选可靠对应点来实现。然而,这些方法通常复杂且耗时。相比之下,基于虚拟点的方法统一地为所有源点学习虚拟对应点(virtual corresponding points, VCPs),而不区分异常值与内点。尽管该策略时间高效,但由于监督不足及固有的分布限制,学习到的 VCPs 通常表现出严重的坍缩退化。本文中,我们提出兼取两者之长,并给出一种新颖的鲁棒三维点云配准框架。我们遵循基于虚拟点方法的思路,但学习一种称为校正虚拟对应点(rectified virtual corresponding points, RCPs)的新型虚拟点,其定义为与源点形状相同且与目标点位姿相同的点集。因此,通过将从 VCPs 校正为 RCPs(VRNet),形成了一对一致的点云,即源点与 RCPs,从而可准确获得源点与 RCPs 之间的可靠对应关系。由于源点与 RCPs 之间的相对位姿同于源点与目标点之间的相对位姿,输入点云可被自然地配准。具体而言,我们首先利用估计的软匹配矩阵对目标点进行加权平均来构造初始 VCPs。然后,我们设计了一个校正游走(correction-walk)模块来学习偏移量以将 VCPs 校正为 RCPs,有效打破了 VCPs 的分布限制。最后,我们开发了混合损失函数以强制形状与几何结构一致性……
引用
@article{arxiv.2203.13241,
title = {VRNet: Learning the Rectified Virtual Corresponding Points for 3D Point Cloud Registration},
author = {Zhiyuan Zhang and Jiadai Sun and Yuchao Dai and Bin Fan and Mingyi He},
journal= {arXiv preprint arXiv:2203.13241},
year = {2022}
}
备注
Accepted by IEEE Transactions on Circuits and Systems for Video Technology