Mar, 2016

使用贝叶斯非参数混合模型实现高效的全局点云对准

PDF
TL;DR本文提出了一种利用贝叶斯非参数方法描述点云和表面法线密度，利用分支定界优化恢复相对变换的点云对准的全新方法，采用 4D 四面体的旋转空间细分来提高优化效率，并在最后的实验中展示了该方法的高效性和对真实世界的鲁棒性。
point cloud alignmentbayesian nonparametricsbranch and bound optimizationrotation space tessellationefficiency
发现论文，激发创造
  • 基于残差投影的高效确定性点云配准搜索策略

    通过残差投影提出一种基于 BnB 的搜索方法，将 6 自由度的刚性变换问题分解为三个 2 自由度旋转搜索子问题，实现高效和确定性的点云配准

    May, 2023

  • 基于贝叶斯非参数方法的无监督联合对齐和聚类

    该论文提出了一种基于贝叶斯无限混合模型的转换方法，该方法在不受函数或转换形式限制的情况下可以同时对数据集进行聚类和对齐，并通过使用狄利克雷过程先验来以数据驱动的方式确定聚类的最优数量，并且可适用于多种类型和转换函数的数据，该方法通过在合成数据和各种图像数据集上的实验取得了积极的结果。

    Oct, 2012

  • 使用高斯混合树快速准确的点云配准

    本文提出了一种新的基于分层高斯混合模型 (GMM) 表征的分层多尺度点云数据表示方法，采用 GPU 并行处理计算数据分割，通过动态选择细节程度和空间分布特征来实现以上 3D 感知问题的数据关联；与之前的点云最近点迭代算法和基于 GMM 技术的算法相比，在保证 MLE 准确的前提下，实现了对数级时间的高效数据关联，能够更快速准确地处理多种类型的 3D 数据集。

    Jul, 2018

  • 球体对齐：用于相机姿态估计的全局最优球形混合对齐

    该研究介绍了一种通过鲁棒性目标函数和全局搜索策略来在混合模型中对 2D-3D 对应关系进行估计，进而实现准确摄像机姿态获取的方法，并且在经过综合评估后证明该算法在处理具有挑战性的真实和合成数据集方面，优于现有方法，可靠地收敛到全局最优解。

    Dec, 2018

  • 批量和增量期望最大化的多点集联合对齐

    本文提出了一种用高斯混合模型来处理 3D 点云配准问题的算法，能够更好地估计注册参数，并可以用于重建表面。

    Sep, 2016

  • 基于鲁棒点云的大规模室外场景重建

    本文提出一种基于概率方法的鲁棒后端优化方案，通过建立贝叶斯网络模型，利用长尾柯西分布抑制异常点的特征匹配，以及一组二元潜在变量的柯西 - 均匀混合模型同时抑制循环闭合约束中的异常点特征匹配。并在实验中证明了我们的方法在大规模室内和室外数据集上均具有良好的性能表现。

    May, 2019

  • AlignNet-3D: 部分观测对象快速点云配准

    本文提出了一种基于学习的方法，旨在精确地估计部分被观测对象的三维运动状态，并使用噪声三维点云进行运动估计。该方法比全局三维注册方法表现更优，且更为高效。

    Oct, 2019

  • 通过样本选择优化 3D 点云法线估计

    通过引入全局信息和各种约束机制，我们设计了一个基础框架来增强现有模型，同时采用基于置信度的策略选择合理样本进行公平且鲁棒的网络训练，并利用现有的定向方法纠正估计的非定向法线，在定向和非定向任务中实现了最先进的性能。广泛的实验结果证明了我们的方法对广泛使用的基准测试数据集表现良好。

    May, 2024

  • 基于概率密度函数对齐的自监督稳健场景流估计

    本文提出了一种新的自监督场景流估计方法，利用高斯混合模型将离散点云表示为连续的概率密度函数，并使用经典 Cauchy-Schwarz 散度的闭合式表达式从概率密度函数的对齐中恢复运动，通过建立软性隐式点对应关系生成更稳健和准确的场景流，实验结果表明该方法在现实环境中的 FlyingThings3D 和 KITTI 数据集上的性能优于现有方法，甚至超过了一些有监督的方法。

    Mar, 2022

  • 基于贝叶斯优化的迭代最近点初始化（BO-ICP）

    本文提出了一种基于贝叶斯优化的新方法，以查找关键的初始 ICP 变换，主要关注于初始转换的选择，是所有基于 ICP 的方法的起点。通过在流行数据集上运行实验，我们展示了这种方法在给定相似计算时间时优于最先进的方法，并且与 ICP 的其他改进兼容。

    Apr, 2023