一次假设即可：基于旋转等变描述子的点云配准
计算机视觉与模式识别
2022-07-26 v2
摘要
在本文中，我们提出了一种新颖的基于局部描述子的框架，称为 You Only Hypothesize Once（YOHO），用于两片未对齐点云的配准。与大多数依赖脆弱的局部参考系以获得旋转不变性的现有局部描述子不同，所提描述子通过群等变特征学习的近期技术实现旋转不变性，从而对点密度和噪声带来更强的鲁棒性。同时，YOHO 中的描述子还具有旋转等变部分，使我们仅从一个对应假设即可估计配准。该特性缩减了可行变换的搜索空间，从而大幅提升了 YOHO 的精度与效率。大量实验表明，在四个广泛使用的数据集（3DMatch/3DLoMatch 数据集、ETH 数据集和 WHU-TLS 数据集）上，YOHO 以少得多的所需 RANSAC 迭代次数取得了优越性能。更多细节见我们的项目页：https://hpwang-whu.github.io/YOHO/。
引用
@article{arxiv.2109.00182,
title = {You Only Hypothesize Once: Point Cloud Registration with Rotation-equivariant Descriptors},
author = {Haiping Wang and Yuan Liu and Zhen Dong and Wenping Wang},
journal= {arXiv preprint arXiv:2109.00182},
year = {2022}
}
备注
Accepted by ACM Multimedia(MM) 2022, Project page: https://hpwang-whu.github.io/YOHO/