Jun, 2019

相干点漂移网络：非刚性点集配准无监督学习

PDF
TL;DR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。
point set registrationgeometric transformationunsupervised learningcpd-netdeep neural networks
发现论文，激发创造
  • 点集配准：连贯点漂移

    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

  • 非刚性点集配准网络

    该论文介绍了一种基于神经网络的点集配准方法 PR-Net，该方法通过学习训练数据集中的点集的形状描述符，预测了点集之间的空间变换，以最优的方式配准点集，具有较强的鲁棒性，并可以应用于非刚性配准，对于新的点集配准，可以直接使用训练好的模型预测所需的变换。

    Apr, 2019

  • LSG-CPD：基于局部表面几何的相干点漂移点云配准

    本文提出了一种新的方法：基于局部表面几何结构的连贯点漂移（LSG-CPD），该方法通过自适应地根据本地表面的平整程度在点对点惩罚的基础上添加不同级别的点对平面惩罚，构建具有各向异性协方差的高斯混合模型，并以最大似然估计问题的形式予以解决。该方法在各种数据集上的精度和鲁棒性方面优于现有算法，并且比 CPD 的现代实现更快。

    Mar, 2021

  • 无监督表面配准的多视角循环对齐网络

    本文提出一种基于刚性变换的非刚性配准算法，通过可微分的损失函数进行监督学习，并在多个数据集上的实验结果表明其优于现有最先进算法。

    Nov, 2020

  • 基于学习动态模型的无监督点云配准规划

    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

  • RPM-Net: 使用学习特征的鲁棒点匹配

    本研究提出了一种基于深度学习的方法 ——RPM-Net，该方法相较于现有的非深度学习及近期的深度学习方法，在点云刚体配准领域取得了最先进的性能表现。

    Mar, 2020

  • 无需对应的非刚性点集配准方法：基于无监督聚类分析

    该论文介绍了一种受无监督聚类分析启发的新型非刚性点集配准方法，通过聚类中心和聚类成员分别将源点集和目标点集表述为一个整体框架，并采用带有 Ι₁- 诱导 Laplacian 核的 Tikhonov 正则化来确保平滑而更强健的位移场，在保证封闭形式解、理论保证、与维度无关以及处理大形变的能力的同时，引入了改进的聚类 Nyström 方法来有效减少计算复杂度和 Gram 矩阵的存储，同时为低秩逼近提供了严格的界限。我们的方法在各种场景中实现了高精度的结果，并在具有显著形变的形状上明显超过竞争对手，在形状转换和医学配准等具有挑战性的任务中展现了方法的多功能性。

    Jun, 2024

  • CorrNet3D: 3D 点云密集对应的无监督端到端学习

    本文介绍了一种基于无监督和端到端深度学习的框架 CorrNet3D，以学习 3D 形状之间的密集对应关系，并证明了其相对于最先进的方法具有更好的性能，源代码和预先训练好的模型可通过链接获得。

    Dec, 2020

  • DeepICP: 一种用于 3D 点云配准的端对端深度神经网络

    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

  • PointDifformer：基于神经扩散和 Transformer 的鲁棒点云配准

    使用图神经偏微分方程和热核签名的鲁棒点云配准方法，在三维计算机视觉中具有应用于图形、自动驾驶和机器人技术等领域的基础技术。实验结果表明，该方法不仅在点云配准方面取得了最先进的性能，而且对于加性噪声或三维形状扰动具有更好的鲁棒性。

    Apr, 2024