Apr, 2021

RANSIC: 旋转搜索和点云配准的快速高鲁棒性估计，使用不变兼容性

PDF
TL;DR本文介绍了一种快速、高度鲁棒性的新方法 RANSIC (RANdom Sampling with Invariant Compatibility)，它结合了随机抽样和不变量、兼容性测试，可用于解决机器人技术和计算机视觉中的基本问题：点云配准和基于对应关系的旋转搜索问题。在多重合成和实际实验中表明，RANSIC 对于使用速度快、鲁棒性强，能够识别 100% 的内点，并且在处理异常值的情况下优于其他最先进的求解器。
roboticscomputer visionransicoutlierspoint cloud registration
发现论文，激发创造
  • SDRSAC: 基于半正定随机化方法的点云无对应项鲁棒配准

    本文提出了一种无需对应的鲁棒点云配准随机算法，并将其视为图匹配的特例，通过使用有效的半定松弛和新颖的采样机制，在采样大小大于最小值的前提下，实现了对野值的快速拒绝，从而获得高质量的假设。通过实验，证明了该方法的有效性。

    Apr, 2019

  • 旋转不变补全网络

    本文提出了一种名为 Rotation-Invariant Completion Network (RICNet) 的网络，它由两个部分组成：双流水线完成网络 (DPCNet) 和增强模块。RICNet 在特征提取方面实现了更好的旋转不变性，并结合了人造对象的结构关系。实验证明，与现有方法相比，RICNet 在点云的完成性能上表现出更好的表现。

    Aug, 2023

  • 高效对应聚类的多实例点云配准

    在点云匹配中，以距离不变性矩阵为基础进行聚类，实现了多实例姿态估计并剔除离群点的目标，其可靠性和效率均优于现有方法。

    Nov, 2021

  • 基于启发式引导的参数搜索的高效强鲁棒点云配准

    通过启发式参数搜索策略，该论文提出了一种在点云配准中加速搜索而又保持高鲁棒性的方法，通过对可行域的三阶分解和一维区间刺探的利用，降低了搜索维度，并展示了与最先进方法相当的鲁棒性和显著的效率提升。

    Apr, 2024

  • PARSAC: 并行样本一致性加速健壮的多模型拟合

    我们提出了一种实时方法，用于从嘈杂数据中稳健地估计多个几何模型实例。

    Jan, 2024

  • 潜在的 RANSAC

    提出了一种能以恒定时间（与数据大小无关）评估 RANSAC 假设的方法，通过 Random Grids 的寻找相似假设对的方式，大大提高了 RANSAC 流程的效率且不影响准确性，成功应用于相机定位、3D 刚体对齐和 2D 透视矩阵估计等问题。

    Feb, 2018

  • TEASER：快速且可认证的点云配准

    提出了一个名为 TEASER 的算法，它使用 TLS 成本和图论框架来解决 3D 点集之间的快速且可靠的配准问题，能够在存在大量离群值的情况下有效地工作。该算法还提供了理论误差界限，并且在标准和 3DMatch 基准测试中都表现出跨越式的性能优势。

    Jan, 2020

  • 基于条件采样共识的多模型健壮拟合

    本文提出了一种强大的估计器，可用于拟合相同形式的多个参数模型以测量噪声。该方法基于数据学习搜索策略，利用先前检测到的模型进行神经网络传递学习，并指导 RANSAC 估计器以不同的子集找到模型实例。作者为消失点估计贡献了新数据集，该方法在消失点估计方面表现优异，并在多透视图下表现出优越性能。

    Jan, 2020

  • $H$-RANSAC，一种基于无特征点集的单应性图像变换的算法变体：应用于基于视频的足球分析

    提出了一种在没有描述性局部特征向量和点配对的情况下，从点集中检索到图像的单应性变换的广义 RANSAC 算法 H-RANSAC，并在每次迭代之前基于随机点对选择的四边形类型（凸形或凹形以及（非）自相交）提出了一种鲁棒准则来拒绝不可信的点选择，并在每次迭代结束时包含了一个类似的事后准则来拒绝不可信的单应性变换，该方法在具有少数点，而且无法获得足够描述性局部特征的图像单应性对齐案例中表现出更好的性能。

    Oct, 2023

  • 使用深度空间一致性的鲁棒点云配准

    本研究提出 PointDSC，一个基于深度学习的神经网络，在点云配准中明确地引入空间一致性，通过非局部特征聚合模块和可微分谱匹配模块进行同型剪枝，实现对离群点对应关系的修剪，结果表明 PointDSC 在多个实际数据集上比基于手工和基于深度学习的离群点拒绝方法都有更好的表现，并通过与不同的 3D 局部描述符进行组合来展示其广泛的适用性。

    Mar, 2021