ECCVAug, 2020

DeepGMR: 学习用于配准的潜在高斯混合模型

PDF
TL;DR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。
point cloud registrationdeep gaussian mixture registrationlearning-based methodprobabilistic registration paradigmneural network
发现论文，激发创造
  • 使用高斯混合树快速准确的点云配准

    本文提出了一种新的基于分层高斯混合模型 (GMM) 表征的分层多尺度点云数据表示方法，采用 GPU 并行处理计算数据分割，通过动态选择细节程度和空间分布特征来实现以上 3D 感知问题的数据关联；与之前的点云最近点迭代算法和基于 GMM 技术的算法相比，在保证 MLE 准确的前提下，实现了对数级时间的高效数据关联，能够更快速准确地处理多种类型的 3D 数据集。

    Jul, 2018

  • 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

  • 深度全局注册

    我们提出了一个基于神经网络和优化算法的 3D 扫描配准框架，可以对实际数据进行高精度的配准，优于现有的同类方法。

    Apr, 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

  • DeepMapping：无监督多点云图估计

    使用深度神经网络作为辅助工具，DeepMapping 提出了一种新的注册框架，可将多个点云从头开始对齐到全局一致框架中，并将注册问题转换为二进制空间分类。实验证明，相对于现有技术，DeepMapping 通常能够实现更 robust，更准确的全局点云注册。

    Nov, 2018

  • 鲁棒的点集配准和合并的自适应数据表示

    该论文提出了一个刚性点集配准和合并的框架，使用鲁棒的连续数据表示，其中点集表示是通过训练具有高斯径向基函数内核的单类支持向量机来构造的，并随后使用高斯混合模型逼近输出函数。它使用该表示的稀疏参数化和噪声、异常值和遮挡的鲁棒性进行有效的配准算法，最小化支持向量参数化的高斯混合模型之间的 L 2 距离。

    Nov, 2015

  • 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

  • 完整范围内的健壮部分点云对齐

    GMCNet 使用包括几何特征、自适应局部特征和基于图表征的统计建模等多种策略实现了全范围的点云配准，在点云配准方面超过了以往的最先进方法。

    Nov, 2021

  • PointGMM：用于点云的神经 GMM 网络

    使用分层高斯混合模型和神经网络，提出 PointGMM 模型，既可以用于学习形状类的特征又能与输入点云相符，其生成模型可以生成一种有意义的潜在空间，这使得能够生成现有形状之间的连续插值以及合成新形状。同时，提出了一种利用 PointGMM 进行刚性配准的新框架。

    Mar, 2020

  • 密度自适应点集配准

    本研究利用基于期望最大化的框架最小化 KL 距离，构建点云场景的潜在概率分布模型，使其能够适应密度变化，并成功在多种真实世界的激光雷达数据集上超越现有的多视角概率方法，而无需重新采样。

    Apr, 2018