深度全局注册
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
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
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
本文提出了一种有效而健壮的方法,利用 Hough 投票在 6D 转换参数空间中实现三维扫描点云的成对配准,该方法通过提取几何特征从点云对中计算出假设的对应关系,并考虑空间中的变换参数来构建成对间的对应关系,从而最终获得了自适应的变换参数。
Sep, 2021
通过 2D/3D 图像配准,利用不依赖手动标注数据的自监督方法和可微分物理渲染,实现了精确的手术决策,提高了手术速度,并超越了有监督基线模型。
Dec, 2023
本文提出了一种 ' 粗到精 ' 的全局配准算法,通过利用较小尺度上的健壮配准来引导较大尺度上的新对应和结构约束,解决手持相机的 RGB-D 图像长视频序列全局一致 3D 模型重建的问题,并基于 SUN3D 数据集中的 25 个场景提供了规模达 10,401 个手动点击的点对应关系的基准测试,实验证明我们的算法比以前的方法更好。
Jul, 2016
本研究介绍了一种基于 SE (3) 扩散模型的点云注册框架,用于实现现实场景下的 6D 物体姿态估计。我们的方法将 3D 注册任务作为一种去噪扩散过程,逐步改进源点云的姿态,以与模型点云精准对齐。通过 SE (3) 扩散过程和 SE (3) 反向过程对我们的框架进行训练。
Oct, 2023
本文提出了一种基于学习的算法,用于变形、两两匹配的三维医学图像注册,通过使用卷积神经网络(CNN)模型并利用一个空间变换层,从而实现快速计算新的扫描成像时的配准场,且无需监督信息。我们可以在不破坏匹配场平滑性的前提下,底层地在一张图像中重构另一张图像,并在实践中将其速度提高数个数量级以上,从而有望显著加速医学图像分析和处理管道的速度,同时促进学习医学图像配准及其应用的新方向。
Feb, 2018
本文提出了一种基于数据驱动的方法来解决点云配准问题,通过增加姿态变换描述符的相对姿态估计网络来实现对于全球配准的转换线索,然后通过假设和验证算法来快速使用预测进行对齐,实验表明这种方法在点云配准问题上的表现超过了现有技术。
Apr, 2019