CVPRApr, 2019

SDRSAC: 基于半正定随机化方法的点云无对应项鲁棒配准

PDF
TL;DR本文提出了一种无需对应的鲁棒点云配准随机算法，并将其视为图匹配的特例，通过使用有效的半定松弛和新颖的采样机制，在采样大小大于最小值的前提下，实现了对野值的快速拒绝，从而获得高质量的假设。通过实验，证明了该方法的有效性。
point cloud registrationrandomized algorithmgraph matchingsemi-definite relaxationoutlier rejection
发现论文，激发创造
  • 基于特征度量的点云配准：一种快速半监督方法，无需对应关系，实现强健的点云配准

    提出了一个基于特征度量的点云配准框架，通过最小化特征度量投影误差来实现优化，该方法具有噪声、异常值和密度差异的鲁棒性，并且不需要对应搜索，因此速度很快。实验证明，该方法具有更高的准确性和鲁棒性，并可处理噪声和密度差异，同时能解决同源和异源点云配准问题。

    May, 2020

  • 基于深度图匹配的稳健点云配准框架

    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

  • 无监督点云配准：通过可微渲染实现的无监督点云配准

    我们提出了一种无监督方法 (UnsupervisedR&R)，从原始 RGB-D 视频中学习点云配准，通过可微的对齐和渲染，强制实现帧间的光度和几何一致性，实现三维场景的自动对齐。实验结果表明，该方法在室内场景数据集上优于传统方法，并具有竞争力的监督几何点云注册方法。

    Feb, 2021

  • 基于启发式引导的参数搜索的高效强鲁棒点云配准

    通过启发式参数搜索策略，该论文提出了一种在点云配准中加速搜索而又保持高鲁棒性的方法，通过对可行域的三阶分解和一维区间刺探的利用，降低了搜索维度，并展示了与最先进方法相当的鲁棒性和显著的效率提升。

    Apr, 2024

  • TEASER：快速且可认证的点云配准

    提出了一个名为 TEASER 的算法，它使用 TLS 成本和图论框架来解决 3D 点集之间的快速且可靠的配准问题，能够在存在大量离群值的情况下有效地工作。该算法还提供了理论误差界限，并且在标准和 3DMatch 基准测试中都表现出跨越式的性能优势。

    Jan, 2020

  • 点云对齐的确保异常值移除与对应

    本文介绍了一种名为 “保证异常值去除” 的预处理方法，该方法使用纯几何操作将输入点云的异常值数量显著减少，以便更快地执行进一步的优化，并保留全局最优解。

    Nov, 2017

  • 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

  • RANSIC: 旋转搜索和点云配准的快速高鲁棒性估计，使用不变兼容性

    本文介绍了一种快速、高度鲁棒性的新方法 RANSIC (RANdom Sampling with Invariant Compatibility)，它结合了随机抽样和不变量、兼容性测试，可用于解决机器人技术和计算机视觉中的基本问题：点云配准和基于对应关系的旋转搜索问题。在多重合成和实际实验中表明，RANSIC 对于使用速度快、鲁棒性强，能够识别 100% 的内点，并且在处理异常值的情况下优于其他最先进的求解器。

    Apr, 2021

  • 基于残差投影的高效确定性点云配准搜索策略

    通过残差投影提出一种基于 BnB 的搜索方法，将 6 自由度的刚性变换问题分解为三个 2 自由度旋转搜索子问题，实现高效和确定性的点云配准

    May, 2023

  • 无监督点云配准的可靠内点评估

    该论文提出了一种基于邻域一致性的可靠内点评估方法，以提高无监督点云配准的精度，并利用匹配映射细化模块和内点评估模块配合实现精确配准，最终使用加权 SVD 算法进行转换估计。

    Feb, 2022