DeepMapping:无监督多点云图估计
DeepMapping2 提出了两种新技术,基于地图拓扑的组织训练数据批次,以及借助成对的点云配准进行自监督局部 - 全局点云一致性损失,解决 DeepMapping 在大规模数据集中计算慢、全局定位网络收敛不足和缺少闭环和精确跨帧点对应等问题,实验表明了我们方法的有效性。
Dec, 2022
本文提出了 DeepI2P:一种新的图像和点云之间的跨模态配准方法。通过将配准问题转化为分类和逆投影优化问题,并使用分类神经网络来对点云中的每个点进行分类。通过这种方法估计相对刚性变换,进而解决了图像和点云之间特征描述缺失的问题。实验结果表明了我们方法的可行性。
Apr, 2021
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
我们提出了一种名为 DeepPointMap 的统一架构,利用神经网络从点云中提取高度代表性和稀疏的神经描述符,实现了内存高效的地图表示和准确的多尺度定位任务,并通过将其扩展到多项协作环境证明了其框架的多功能性、有效性和潜力。
Dec, 2023
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
本文提出了一种基于深度图匹配的 3D 点云注册框架,通过先将点云转化为图并提取每个点的深度特征,再用深度图匹配计算软对应矩阵,从而找到更正确的对应关系,实现了在有离群点和时间约束而没有好的变换初始化时的 3D 点云快速注册。
Mar, 2021
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
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
本篇综述介绍了同源和异源点云配准的优化和深度学习方法,并总结了二者之间的关系。同时,本文还创建了一套新的评估基准来解决异源挑战,并讨论了不同领域中的点云配准应用。最后,本文提出了这个快速发展领域的潜在研究方向。
Mar, 2021