RSKDD-Net：基于随机采样的关键点检测器与描述子

Oct, 2020

RSKDD-Net：基于随机采样的关键点检测器与描述子

RSKDD-Net: Random Sample-based Keypoint Detector and Descriptor

Fan Lu, Guang Chen, Yinlong Liu, Zhongnan Qu, Alois Knoll

TL;DR该论文提出了一种基于随机采样和弱监督学习的点云配准方法，使用随机抽样方法选择关键点，提出一种新的随机扩张聚类策略和注意机制来解决自然信息损失，同时进一步提出了匹配损失训练该方法，实验结果表明该方法在两个大规模数据集上取得了最先进的性能，比现有方法快 15 倍以上。

Abstract

keypoint detector and descriptor are two main components of point cloud registration. Previous learning-based keypoint detectors rely on saliency estimation for each point or farthest point sample (FPS) for candi

keypoint detector descriptor point cloud registration random sampling weakly supervised learning

发现论文，激发创造

可重复、可靠的检测器和特征描述器 (R2D2)

本论文提出了一种同时学习关键点检测、特征描述和本地描述符可区分性预测器的方法，用于解决经典方法中存在的重复区域不具有判别力和描述符在存在歧义区域中的性能问题，在 HPatches 和 Aachen Day-Night 数据集上性能均表现优异。

Jun, 2019

KDD-LOAM：基于联合学习的关键点检测器和描述符辅助 LiDAR 里程计和地图构建

稀疏关键点匹配改善了点云配准的效率和稳健性。该研究提出了一种基于多任务全卷积网络和概率检测损失的紧密耦合的关键点检测器和描述子 (TCKDD)，并通过自监督学习实现描述子的全面自适应及关键点检测器的优化。在室内和室外数据集上的大量实验证明，TCKDD 在点云配准中取得了最先进的性能。此外，我们设计了一个关键点检测器和辅助 LiDAR 里程计与建图框架 (KDD-LOAM)，其实时里程计依赖于基于关键点描述子匹配的 RANSAC。稀疏关键点进一步用于高效的扫描至地图配准和建图。在 KITTI 数据集上的实验证明，KDD-LOAM 明显优于 LOAM，在里程计方面表现出有竞争力的性能。

Sep, 2023

使用随机采样学习大规模点云的语义分割

本研究旨在提出一种减少计算量、以大规模点云直接推断每个点的语意的神经架构，该方法采用随机采样而非较复杂的点选择方法，然后配备一种新的局部特征汇聚模块以生成具有准确语意的结果，演示数据表明我们的方法具有比现有方法高 200 倍的速度和最先进的分类精度。

Jul, 2021

不是所有点都相同：学习针对 3D LiDAR 点云的高效点检测器

本文提出了一种高效的基于点云的 3D 检测器 IA-SSD，利用可学习的面向任务的实例感知下采样策略分层选择感兴趣物体的前景点，进一步估计精确的实例中心，并采用仅编码器架构实现。大规模检测基准测试表明，该模型具有卓越的速度性能，能够以 80 个以上的速度在 KITTI 数据集上进行实时检测。

Mar, 2022

D3Former: 通过显著性引导的 Transformer 共同学习可重复的稠密探测器和特征增强描述符

通过引入一种名为 D3Former 的基于显著性引导的变换器模型，联合学习可重复的稠密检测器和增强特征的描述符，实现了准确匹配点云问题的关键步骤，实验证明该方法在室内和室外基准测试中始终优于最先进的点云匹配方法。

Dec, 2023

SphereNet: 学习点云配准的噪声鲁棒性和通用描述器

点云配准研究中，引入了 SphereNet 以学习一个对噪音具有鲁棒性且适用于未知数据集的描述符。通过球体体素化和球面插值等方法，提取特征，并在新的 3DMatch-noise 基准测试中得到了 25% 以上的特征匹配召回率的提升，同时在 3DMatch 和 3DLoMatch 基准测试中取得了最佳性能，具有出色的泛化能力。

Jul, 2023

D3Feat：3D 局部特征的密集检测与描述的联合学习

本文提出了一种新型实用的学习机制，利用三维全卷积网络，旨在稠密地预测每个三维点的检测分数和描述特征，并通过自监督的检测器损失，在训练过程中指导即兴的特征匹配结果。最后，我们的方法在 3DMatch 和 KITTI 数据集的室内和室外场景中，均取得了最先进的结果，并在 ETH 数据集上展现了其强大的概括能力，为实现准确快速的点云对其，提出了一种可靠的特征检测器。

Mar, 2020

2D3D-MatchNet：学习在 2D 图像和 3D 点云之间匹配关键点

本研究提出了一种名为 2D3D-MatchNet 的深度网络结构，能够直接从图像和点云中的 2D 和 3D 关键点描述符中匹配和建立 2D-3D 对应关系，并用于视觉位姿估计，结果表明该方法是可行的。

Apr, 2019

高效点云配准的动态网络

该论文介绍了一种动态方法，通过多次迭代点云数据的注册过程，识别匹配点聚类区域，从而删除噪点，并通过评估每个注册阶段的结果以提高网络效率。实验证明，该模型相较于其他方法在相似结果上显著减少时间消耗，室内数据集 (3DMatch) 速度提升超过 41%，室外数据集 (KITTI) 速度提升 33%，同时保持竞争性的注册召回需求。

Dec, 2023

RandLA-Net：大规模点云高效语义分割

介绍了一种名为 RandLA-Net 的高效轻量级神经架构，在大规模点云中通过使用随机采样和引入新的局部特征聚合模块来实现高效的语义分割。经过实验表明，RandLA-Net 在处理 100 万点的规模时比现有方法快 200 倍以上，并在两个大规模基准数据集 Semantic3D 和 SemanticKITTI 上表现优于现有方法。

Nov, 2019