CVPRApr, 2021

RPSRNet: 使用 Barnes-Hut $2^D$-Tree 表示的端到端可训练的刚性点集配准网络

PDF
TL;DR提出了一种新型的端到端可训练的深度神经网络 RPSRNet，用于刚性点集配准，使用了 $2^D$-tree 表示输入点集，并在神经网络中使用分层深度特征嵌入，包括迭代变换细化模块，可以有效地处理噪声和非均匀采样密度的 LiDAR 等数据，相比之前的最新方法在点云配准上具有更好的准确性。
rpsrnetpoint set registrationdeep neural network$2^d$-treehierarchical deep feature embedding
发现论文，激发创造
  • 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

  • RPM-Net: 使用学习特征的鲁棒点匹配

    本研究提出了一种基于深度学习的方法 ——RPM-Net，该方法相较于现有的非深度学习及近期的深度学习方法，在点云刚体配准领域取得了最先进的性能表现。

    Mar, 2020

  • 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

  • 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

  • PCRNet: 使用 PointNet 编码的点云配准网络

    该论文提出了一个新框架，利用 PointNet 表征对齐点云和执行注册，以实现跟踪，3D 重建和姿态估计等应用，能够根据点云的形状信息生成特定形状或通用的方法，并具有噪声和数据初始化错位的鲁棒性。

    Aug, 2019

  • 图像与激光雷达点云的端到端二维到三维配准用于车辆定位

    本研究提出了一种名为 I2PNet 的新型端对端 2D-3D 注册网络，该网络能够精确定位机器人并在相机 - LiDAR 在线校准方面表现出色。

    Jun, 2023

  • RPNet：一种端到端的相机姿态相对定位网络

    本文介绍了使用深度神经网络从原始图像像素中获取相对相机姿态估计的任务。提出的 RPNet 网络以成对的图像为输入，并直接推断相对姿态，无需相机内 / 外参数。通过使用 Cambridge 地标数据集上的实验结果表明，相对姿态的全翻译矢量的恢复很有前途，而且在传统方法不稳定的情况下更加准确和稳定。RPNet 是恢复相对姿态中全翻译矢量的首次尝试。

    Sep, 2018

  • Q-REG: 基于曲率的端到端可训练点云配准

    通过利用丰富的几何信息，我们提出了一种新的解决方案 Q-REG，用于从单个对应关系估计刚性姿态，并在 3DMatch、KITTI 和 ModelNet 基准测试中取得了最新的最佳成果。

    Sep, 2023

  • RPR-Net: 基于点云旋转感知的大规模地点识别网络

    该论文提出了一种基于点云的旋转感知大规模场景识别网络 (RPR-Net)，通过三种新的旋转不变特征（RIFs）设计一个注意模块来学习旋转不变核，并将其应用于之前的点云特征中生成新的特征，从而可以学习到高级的场景特定的旋转不变特征，实验结果表明，该方法在解决旋转问题时要明显优于其他旋转不变基线模型。

    Aug, 2021

  • HRegNet：一种用于大规模室外 LiDAR 点云对齐的分层网络

    本文提出了一种用于大规模室外激光雷达点云注册的高效分层网络 HRegNet，其中使用分层提取的关键点和描述符进行注册，并结合深层可靠特征和浅层精准位置信息以实现稳健和精确的注册。 通过对两个大规模室外 LiDAR 点云数据集进行广泛实验，证明了该网络的高精度和高效性。

    Jul, 2021