是什么阻碍了基于学习的3D配准在真实世界中发挥作用？
计算机视觉与模式识别
2021-11-23 v1
摘要
基于学习的3D点云配准任务已取得诸多进展，现有方法在标准基准（如ModelNet40）上甚至在不完整到不完整的匹配场景下也取得了优异结果。遗憾的是，这些方法在真实数据面前仍表现不佳。在本工作中，我们定位了这些失败的根源，分析了其背后的原因，并提出了应对方案。我们将发现总结为一组指导原则，并通过将其应用于不同的基线方法DCP和IDAM来证明其有效性。简而言之，我们的指导原则改善了它们的训练收敛性与测试精度。最终，这催生了一个最佳实践3D配准网络（BPNet），构成了首个能够处理真实世界数据中先前未见过物体的基于学习的方法。尽管仅在合成数据上训练，我们的模型无需任何微调即可泛化到真实数据，在商用传感器获取的未见过物体的点云上达到高达67%的精度。
引用
@article{arxiv.2111.10399,
title = {What Stops Learning-based 3D Registration from Working in the Real World?},
author = {Zheng Dang and Lizhou Wang and Junning Qiu and Minglei Lu and Mathieu Salzmann},
journal= {arXiv preprint arXiv:2111.10399},
year = {2021}
}