非刚性点集配准网络
本论文提出了一种名为 PRNet 的简单、灵活和通用的框架,用于部分到部分的点云配准,它使用深度神经网络处理对齐和部分匹配问题的非凸性,并且 PRNet 适用于部分到部分的配准,并在合成数据上优于 PointNetLK、DCP 和非学习方法。
Oct, 2019
该论文提出了一种名为 CPD-Net 的新方法,利用深度神经网络实现无监督学习,通过学习位移函数来进行非刚性点集配准,解决了现有方法在大数据集实时点集配准中重复独立迭代搜索的问题,从而实现了对未曾见过的点对进行预测。
Jun, 2019
该论文提出了一个新框架,利用 PointNet 表征对齐点云和执行注册,以实现跟踪,3D 重建和姿态估计等应用,能够根据点云的形状信息生成特定形状或通用的方法,并具有噪声和数据初始化错位的鲁棒性。
Aug, 2019
提出了一种新型的端到端可训练的深度神经网络 RPSRNet,用于刚性点集配准,使用了 $2^D$-tree 表示输入点集,并在神经网络中使用分层深度特征嵌入,包括迭代变换细化模块,可以有效地处理噪声和非均匀采样密度的 LiDAR 等数据,相比之前的最新方法在点云配准上具有更好的准确性。
Apr, 2021
介绍了 3DRegNet 技术,它是一种用于三维扫描配准的深度学习架构,基于点对应关系分类为内点 / 外点,回归运动参数,提供了两种替代方案,并提出了一种改进方法。该方法在两个数据集上对比了多个基线算法,包含源代码。
Apr, 2019
采用递归对齐的方式,使用循环注册神经网络计算每个元素的局部变形,最终的空间对齐由所有局部变形的总和得到;使用该方法可以检测图像中非对齐的区域并学习如何适当地进行本地注册。在用于肺部磁共振图像的实验中,该方法与当前标准的参数化 B 样条配准方法相比,准确性不相上下,但给出了更紧凑的变换表示,并且加速了约 15 倍。
Jun, 2019
本文提出了一种新型的基于卷积神经网络的非刚性图像配准算法,通过优化和学习不同尺度下的空间变换以及卷积神经网络,实现了对 3D 结构脑磁共振图像更好的配准效果。
Jan, 2018