May, 2016

Go-ICP: 三维点云配准的全局最优解

PDF
TL;DR本文提出了一种被称为 Go-ICP 的全局最优算法，它基于分支定界结构搜索整个 3D 运动空间 SE (3)，并且集成了局部 ICP 以提高速度，保证全局最优性，可以用于解决初始位置不佳及需要最优解决的场景。
iterative closest pointgo-icppoint-set registration3d motion spaceoutlier robustness
发现论文，激发创造
  • 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

  • 快速且强健的迭代最近点算法

    本文提出了一种快速并具有鲁棒性的 Iterative Closest Point 方法，通过将点对点 ICP 视为主性 - 最小化算法，并采用 Anderson 加速方法加速其收敛速度并引入基于 Welsch 函数的鲁棒误差度量。在具有噪声和部分重叠的数据集上，我们实现了与稀疏 ICP 相似或更好的准确性，而速度至少快一个数量级。最后，我们将鲁棒的形式扩展到了点对平面 ICP，并使用类似的 Anderson 加速 MM 策略解决了相应的问题。

    Jul, 2020

  • 迭代全局相似点：针对成对三维点云配准的健壮粗 - 精匹配方案

    该研究提出了一种新的方法，使用混合度量空间（例如 BSC 特征和欧几里德几何空间）和全局最优对应匹配，通过粗到细的迭代优化对点云进行配准，并在多个测试数据集上取得了好的性能表现。

    Aug, 2018

  • 陆地激光扫描对的实用最佳注册

    本研究针对地面激光雷达扫描的点云数据注册问题，提出了一种基于优化算法的新方法，通过提出的确定性选择方案和快速的分支定界算法，可以有效、准确地实现点云的最优对齐。

    Nov, 2018

  • AA-ICP: Anderson 加速的迭代最近点算法

    本文提出了一种利用 Anderson 加速方法加速 Iterative Closest Point 算法的新方法，无需对现有代码进行实质性改动，使其更具实时性。利用 Point Cloud Library 实现本方法，并全面支持在真实数据上 achieved 相较于现有方法更好的加速效果。

    Sep, 2017

  • 深度最近点：学习点云配准的表示

    本文提出了一种基于学习的方法 Deep Closest Point，用于点云配准问题，通过点云嵌入网络、基于注意力机制的组合匹配模块和可微分的奇异值分解层，实现最终的刚性变换。实验证明该方法优于传统算法 Iterative Closest Point 及其变种，以及最近提出的基于学习的方法 PointNetLK，同时能有效迁移学到的特征。

    May, 2019

  • DeepICP: 一种用于 3D 点云配准的端对端深度神经网络

    DeepICP 是一种端到端的学习框架，采用多种深度神经网络结构来实现 3D 点云的配准，并集成了局部相似性和全局几何约束以提高配准精度和鲁棒性。

    May, 2019

  • KISS-ICP：支持点对点 ICP 的辩护 —— 如果正确实现，则简单、准确且健壮

    研究通过精简核心元素实现了一个在各种环境条件下可操作的简单有效的传感器里程计估计系统，该系统在使用不同类型的 LiDAR 传感器时，仅具有少数参数并且不需要计算 IMU 信息，能够广泛应用于不同的应用场景。

    Sep, 2022

  • LSG-CPD：基于局部表面几何的相干点漂移点云配准

    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

  • SegICP: 深度语义分割与姿态估计

    该研究提出了 SegICP，一种用于实现物体识别和位姿估计的新型解决方案，它采用卷积神经网络和多假设点云注册相结合的方法，实现了强大的像素级语义分割和准确的实时六自由度姿势估计，快速提高了机器人系统的感知速度和稳健性。

    Mar, 2017