ICCVMar, 2021

LSG-CPD：基于局部表面几何的相干点漂移点云配准

PDF
TL;DR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。
point cloud registrationcoherent point driftgaussian mixture modelslocal surface geometryexpectation-maximization
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

  • 相干点漂移网络：非刚性点集配准无监督学习

    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。

    Jun, 2019

  • 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

  • DeepGMR: 学习用于配准的潜在高斯混合模型

    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

  • 深度最近点：学习点云配准的表示

    本文提出了一种基于学习的方法 Deep Closest Point，用于点云配准问题，通过点云嵌入网络、基于注意力机制的组合匹配模块和可微分的奇异值分解层，实现最终的刚性变换。实验证明该方法优于传统算法 Iterative Closest Point 及其变种，以及最近提出的基于学习的方法 PointNetLK，同时能有效迁移学到的特征。

    May, 2019

  • 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

  • FilterReg：使用高斯滤波和扭曲参数化的鲁棒高效概率点集配准

    本研究提出了一种新的概率点集配准方法，采用有效的概率公式解决了最大似然估计问题，通过 E-M 算法和高斯滤波方法实现更快的计算性能，适用于关节和可变形目标，优于其他竞争基线。

    Nov, 2018

  • 使用校准的局部几何驱动距离度量，释放 3D 点云建模的潜力

    提出了一种称为 CLGD 的新型距离度量，它通过计算一组参考点诱导的基础 3D 表面之间的差异来量化两个非结构化 3D 点云之间的不相似度，并证明其在各种优化和无监督学习任务，包括形状重建、刚体配准、场景流估计和特征表示方面的高准确性。

    Jun, 2023

  • 陆地激光扫描对的实用最佳注册

    本研究针对地面激光雷达扫描的点云数据注册问题，提出了一种基于优化算法的新方法，通过提出的确定性选择方案和快速的分支定界算法，可以有效、准确地实现点云的最优对齐。

    Nov, 2018

  • PCRDiffusion：基于扩散的点云配准概率模型

    我们提出了一个新的框架，将点云配准问题看作是从噪声变换到对象变换的去噪扩散过程，并通过生成模型和统一概率表达解决了代表性的判别任务之一 - 点云配准问题。

    Dec, 2023