该论文提出了一种名为 CPD-Net 的新方法,利用深度神经网络实现无监督学习,通过学习位移函数来进行非刚性点集配准,解决了现有方法在大数据集实时点集配准中重复独立迭代搜索的问题,从而实现了对未曾见过的点对进行预测。
Jun, 2019
本文提出了一种新的方法:基于局部表面几何结构的连贯点漂移(LSG-CPD),该方法通过自适应地根据本地表面的平整程度在点对点惩罚的基础上添加不同级别的点对平面惩罚,构建具有各向异性协方差的高斯混合模型,并以最大似然估计问题的形式予以解决。该方法在各种数据集上的精度和鲁棒性方面优于现有算法,并且比 CPD 的现代实现更快。
Mar, 2021
研究点集注册问题中的异常值如何影响两个点云之间的最优旋转问题,比较了基于非凸优化和凸松弛的方法,实验发现,特殊正交群上直接最小化最小不平方偏差能够更好地处理异常值和恢复旋转。
Apr, 2020
该论文通过概率点匹配处理刚性和关节形状匹配问题,引入了一种新型 EM-like 算法 ECMPR,使用混合模型来处理未知的对应关系,提出了一种鲁棒性强的点匹配方法,包括旋转和平移参数的估计以及异常值的检测和剔除。
Dec, 2020
该论文提出了一个刚性点集配准和合并的框架,使用鲁棒的连续数据表示,其中点集表示是通过训练具有高斯径向基函数内核的单类支持向量机来构造的,并随后使用高斯混合模型逼近输出函数。它使用该表示的稀疏参数化和噪声、异常值和遮挡的鲁棒性进行有效的配准算法,最小化支持向量参数化的高斯混合模型之间的 L 2 距离。
Nov, 2015
本研究利用基于期望最大化的框架最小化 KL 距离,构建点云场景的潜在概率分布模型,使其能够适应密度变化,并成功在多种真实世界的激光雷达数据集上超越现有的多视角概率方法,而无需重新采样。
Apr, 2018
该论文介绍了一种受无监督聚类分析启发的新型非刚性点集配准方法,通过聚类中心和聚类成员分别将源点集和目标点集表述为一个整体框架,并采用带有 Ι₁- 诱导 Laplacian 核的 Tikhonov 正则化来确保平滑而更强健的位移场,在保证封闭形式解、理论保证、与维度无关以及处理大形变的能力的同时,引入了改进的聚类 Nyström 方法来有效减少计算复杂度和 Gram 矩阵的存储,同时为低秩逼近提供了严格的界限。我们的方法在各种场景中实现了高精度的结果,并在具有显著形变的形状上明显超过竞争对手,在形状转换和医学配准等具有挑战性的任务中展现了方法的多功能性。
Jun, 2024
本文利用强化学习将点云配准问题转化为一种规划问题,通过逐步缩小变换搜索空间来获得源点云和目标点云之间的最佳变换,实验结果表明我们的方法可以在无监督学习的情况下产生良好的配准性能。
Aug, 2021
本文提出一种新的点云注册驱动的 Siamese 跟踪框架,包括追踪特定的非本地注册模块和注册辅助的 Sinkhorn 模板特征聚合模块,以实现在精确定位物体的同时提高跟踪鲁棒性。
Sep, 2022
本研究提出了一种新的概率点集配准方法,采用有效的概率公式解决了最大似然估计问题,通过 E-M 算法和高斯滤波方法实现更快的计算性能,适用于关节和可变形目标,优于其他竞争基线。
Nov, 2018