ECCVJul, 2018

使用高斯混合树快速准确的点云配准

PDF
TL;DR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。
point cloud registrationgaussian mixture modelmulti-scale representationdata associationhierarchical
发现论文，激发创造
  • DeepGMR: 学习用于配准的潜在高斯混合模型

    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

  • 鲁棒的点集配准和合并的自适应数据表示

    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

  • PointGMM：用于点云的神经 GMM 网络

    使用分层高斯混合模型和神经网络，提出 PointGMM 模型，既可以用于学习形状类的特征又能与输入点云相符，其生成模型可以生成一种有意义的潜在空间，这使得能够生成现有形状之间的连续插值以及合成新形状。同时，提出了一种利用 PointGMM 进行刚性配准的新框架。

    Mar, 2020

  • 密度自适应点集配准

    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

  • 使用贝叶斯非参数混合模型实现高效的全局点云对准

    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

  • 无监督深度概率方法用于部分点云配准

    提出了一种名为 UDPReg 的无监督深度概率点云配准框架，使用 GMM 的后验概率分布、Sinkhorn 算法和三种分布一致性损失函数来解决点云配准中的部分重叠和标记数据问题，并且在多项基准测试中实现了竞争性的性能表现。

    Mar, 2023

  • 高效对应聚类的多实例点云配准

    在点云匹配中，以距离不变性矩阵为基础进行聚类，实现了多实例姿态估计并剔除离群点的目标，其可靠性和效率均优于现有方法。

    Nov, 2021

  • 通过自组织高斯混合模型实现增量多模式表面映射

    本文介绍了一种增量多模式表面映射方法，将环境表示为连续的概率模型。该方法利用高斯混合模型（GMMs）表示环境，通过空间哈希图提取 GMM 子地图，并确定点云中的相关和冗余数据，从而提高计算速度和地图的准确性。评估使用模拟和真实数据，该软件开源供机器人社区使用。

    Sep, 2023

  • 高效点云配准的动态网络

    该论文介绍了一种动态方法，通过多次迭代点云数据的注册过程，识别匹配点聚类区域，从而删除噪点，并通过评估每个注册阶段的结果以提高网络效率。实验证明，该模型相较于其他方法在相似结果上显著减少时间消耗，室内数据集 (3DMatch) 速度提升超过 41%，室外数据集 (KITTI) 速度提升 33%，同时保持竞争性的注册召回需求。

    Dec, 2023

  • 部分重叠点云的快速稳健配准

    该研究提出了一种新的部分重叠点云的实时配准方法，利用点云的特征编码器和基于图的注意力网络来学习和优化对应关系，实现了与现有方法相当的性能和更快的推理速度。

    Dec, 2021