CVPRMar, 2021

ReAgent: 点云配准的模仿和强化学习

PDF
TL;DR本篇论文提出了一种基于强化学习的点云迭代配准算法（ReAgent），通过引入一个新的对齐奖励函数进行多策略融合优化，显著提高了算法的配准性能，实验证明该算法在 ModelNet40 和 ScanObjectNN 数据集上均具备优秀的性能，在实际物体位姿估计任务（LINEMOD 数据集）中也实现了比现有算法更精确的结果。
point cloud registrationreinforcement learning3d computer visionobject pose estimationalignment reward
发现论文，激发创造
  • 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

  • TrackAgent: 通过强化学习进行 6D 物体追踪

    追踪物体的六维姿态，在物体本身或观察相机移动时，对许多机器人学和增强现实应用非常重要。在跟踪任务的严格时间限制下，我们提出了将物体追踪简化为加强点云（仅深度）对齐任务的方法。

    Jul, 2023

  • 一种用于图像强注册的人工智能代理

    在医疗应用中，我们提出了一种新的基于策略学习的 3D 图像配准方法，该方法通过深度 CNN 学习最优运动序列来实现图像对齐，该方法在两个医疗图像配准实验中表现出比现有方法更高的准确性和鲁棒性。

    Nov, 2016

  • 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

  • PointNetLK: 使用 PointNet 实现鲁棒高效的点云配准

    本文提出了一种基于 Lucas & Kanade (LK) 算法的 PointNet 学习可变成像函数的方法，以便将其应用于点云配准问题，并且构建了一个单可训练的递归深度神经网络，提高了点云配准的计算效率以及推广到不同形状类别中的性能表现。

    Mar, 2019

  • 3D 点云强化学习效果研究

    该研究通过对比 2D 与 3D 表现，研究了 3D 神经网络在可视化强化学习任务中的效能，特别关注了基于 3D 点云的设计选择，研究表明在涉及到 agent-object/object-object 关系编码时，3D 点云比 2D 图像更有效，尤其在复杂的机器人操作任务中。

    Jun, 2023

  • 基于点云强化学习的主动搜索和覆盖

    这篇研究论文介绍了一种使用端到端的深度强化学习解决方案来优化移动 3D 传感器的轨迹，以便在整体场景中找到特定的物体并被点云覆盖，实现尽快的目标搜索和覆盖。

    Dec, 2023

  • AlignNet-3D: 部分观测对象快速点云配准

    本文提出了一种基于学习的方法，旨在精确地估计部分被观测对象的三维运动状态，并使用噪声三维点云进行运动估计。该方法比全局三维注册方法表现更优，且更为高效。

    Oct, 2019

  • 无监督点云配准：通过可微渲染实现的无监督点云配准

    我们提出了一种无监督方法 (UnsupervisedR&R)，从原始 RGB-D 视频中学习点云配准，通过可微的对齐和渲染，强制实现帧间的光度和几何一致性，实现三维场景的自动对齐。实验结果表明，该方法在室内场景数据集上优于传统方法，并具有竞争力的监督几何点云注册方法。

    Feb, 2021

  • 可靠姿态图初始化的多视角点云强匹配及历史重加权

    本文提出了一种新的多视点点云配准方法，使用神经网络评估扫描对之间的重叠，构建稀疏的姿态图，并在 IRLS 方案中设计了一种新的历史加权函数以提高对异常边缘的强鲁棒性，实验结果表明，相对于现有方法，我们的方法在 3DMatch 数据集上实现了 11% 的更高配准召回率，在 ScanNet 数据集上实现了约 13% 的更低配准误差，降低了约 70% 的必要的成对注册。

    Apr, 2023