Jun, 2020

一次性局部到局部配准的三维 - 三维对应关系学习

PDF
TL;DR本文提出了一种基于 Optimal Transport layer 和 outlier bins 的 OPRNet 框架，能够以一次迭代的方式实现学习型 partial-to-partial registration，这可以在降低网络复杂度的同时显著提高配准精度
3d-3d registrationlearning-based techniquespartial-to-partial registrationoptimal transport layeroprnet framework
发现论文，激发创造
  • PRNet: 针对局部到局部注册的自监督学习

    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

  • OMNet：用于部分到部分点云配准的重叠遮罩学习

    本研究提出了一种基于全局特征的 OMNet 方法，用于局部 - 局部点云配准。通过学习重叠区域的掩码来拒绝不重叠的区域，并采用了更实用的数据生成方法，实现了与传统和深度学习方法相比的最新性能。

    Mar, 2021

  • 使用代表性重叠点进行点云配准

    本研究提出了一种新的深度学习模型 ROPNet，它利用具有鉴别性特征的代表性重叠点进行注册，从而将局部到局部的注册转化为局部到完全的注册。实验表明，该方法在嘈杂且部分重叠的点云中表现出卓越的性能。

    Jul, 2021

  • 部分重叠点云的快速稳健配准

    该研究提出了一种新的部分重叠点云的实时配准方法，利用点云的特征编码器和基于图的注意力网络来学习和优化对应关系，实现了与现有方法相当的性能和更快的推理速度。

    Dec, 2021

  • 零样本点云配准

    本研究提出了一种零样本点云配准方法 ZeroReg，通过将图像特征从关键点传递到点云中，利用 3D 几何邻域信息构建时引入的图像特征来解决传统方法中需要在特定数据集上进行训练的问题，因此，ZeroReg 可在点云配准任务中实现出色的性能。

    Dec, 2023

  • 点云配准的部分传输

    通过最优传输理论，我们提出了一种基于最优部分传输问题的完整的非刚性注册方法集，并通过分层切片的方式扩展了算法以获得显著的计算效率，从而实现了快速且稳健的非刚性注册算法。

    Sep, 2023

  • 无监督深度概率方法用于部分点云配准

    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

  • DBDNet: 带有双分支解耦的部分到部分点云配准

    提出了一种名为 DBDNet 的具有双分支解耦的局部到局部配准的有效方法，通过分别创建两个单独的对应矩阵来消除旋转和平移之间的互相干扰错误，并通过强大的注意力机制实现显式特征交互以准确预测点掩码，并设计了一个多分辨率特征提取网络来捕捉局部和全局模式从而增强重叠预测和配准模块，实验证明了我们提出方法的有效性。

    Oct, 2023

  • 3DRegNet：一种用于三维点云配准的深度神经网络

    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

  • 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