批量和增量期望最大化的多点集联合对齐
本篇文章提出了基于最大期望算法的多视角点集注册方法,通过利用高斯混合模型描述点云数据分布并定义最大似然估计函数,实现了高精度、高鲁棒性、高效率的点云多视角重建。
Feb, 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
我们研究了 3D 注册问题的一个变种,名为多模型 3D 注册。在多模型注册问题中,我们给出两个描绘了不同姿态下一组物体(可能包括属于背景的点)的点云,并且我们希望同时重建出这两个点云之间所有物体的运动。该方法通用于标准的 3D 注册,其中需要重建出单个姿态,例如传感器描绘静态场景的运动。此外,它为相关的机器人应用提供了数学上的基础,例如,机器人上的深度传感器感知动态场景,并且目标是在同时恢复出自身的运动(从静态部分场景中)以及所有动态物体的运动。我们假设一个基于对应关系的设置,在两个点云之间存在着匹配关系,同时考虑了这些对应关系受到异常值干扰的实际情况。然后,我们提出了一种基于期望最大化(Expectation-Maximization)的简单方法,并建立了 EM 方法收敛到真实结果的理论条件。我们在从桌面场景到自动驾驶场景的模拟和实际数据集上评估了该方法,并证明其与最先进的场景流方法相结合时的有效性。
Feb, 2024
引入了 DeepGMR 算法,该算法是首个显式利用概率注册范例的基于学习的点云配准方法,利用混合高斯模型模拟两点云之间的概率分布,通过神经网络和两个可微计算块进行配准,从而实现产生全局注册方法的目的。该方法在合成和真实数据上均表现出比几何和基于学习的配准方法更好的性能。
Aug, 2020
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。
Mar, 2016
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
该论文提出了一种基于 Riemannian 优化方法的高斯混合模型参数估计算法,与 EM 算法相比表现更优,同时给出了非渐近收敛分析的随机优化方法。
Jun, 2017
介绍了一种新的概率方法,称为相干点漂移算法(CPD),它适用于刚性和非刚性点集注册,解决了点集注册中的多个因素,包括未知的非刚性空间变换,点集的大维度,噪声和异常值。同时,测试结果表明,CPD 算法具有较高的精度,超过当前最先进的方法。
May, 2009
我们对一种基于期望最大化算法进行了详细的理论分析,该算法最近被提出用于解决一种名为多模型 3D 注册的变种问题,我们旨在通过确定一些条件来填补已有的理论知识的空白。
May, 2024
研究基于极大似然原理的迭代算法 —— 期望最大化算法(EM)在统计模型中的参数估计,发现其仅能保证收敛于似然函数的极值点而非最大值点,尤其针对包含两个高斯分布混合的模型进行具体分析,最终建立了 EM 算法的统计一致性。
Aug, 2016