启动您自己的对应关系

Jun, 2021

Bootstrap Your Own Correspondences

Mohamed El Banani, Justin Johnson

TL;DR该研究提出了一种名为 BYOC 的自我监督方法，该方法能够从 RGB-D 视频中学习到视觉和几何特征，而不依赖于真实姿态或对应关系，它将传统的点云配准思路与更近期的表征学习方法相结合，并取得了比传统和学习型描述符更好的性能。

Abstract

geometric feature extraction is a crucial component of point cloud registration pipelines. Recent work has demonstrated how supervised learning can be leveraged to learn better and more compact 3D features. However, those approaches' reliance on ground-truth annotation limits their sca

geometric feature extraction point cloud registration self-supervised learning rgb-d video representation learning

发现论文，激发创造

学习紧凑的几何特征

通过优化映射高维直方图到低维欧氏空间的深度网络，学习代表无序点云中点周围局部几何的特征，其表现出比现有局部特征更高的精度、紧凑性和鲁棒性，可在机器人和三维视觉的不同应用中进行几何配准。

Sep, 2017

周期对应损失函数：从无标记和无序的 RGB 图像学习稠密的视角不变视觉特征

通过使用循环一致性思想，引入循环对应损失（CCL）实现视角不变的密集描述符的学习，从而达到优于其他自监督方法且接近有监督方法的性能，无论是在关键点跟踪还是机器人抓取下游任务方面。

Jun, 2024

跨模态和跨视角自监督特征学习

通过利用跨模式和视角的对应关系，该论文提出了一种新颖且有效的自监督学习方法，联合学习 2D 图像特征和 3D 点云特征，并通过神经网络评估跨模态的对应关系，而无需使用人工标注标签。

Apr, 2020

通用对应网络

本文提出了一种深度学习框架，用于准确的视觉对应，并证明了其在几何和语义匹配中的有效性，提出了一种卷积空间变换器来模仿传统特征（如 SIFT）中的补丁归一化，广泛的 KITTI，PASCAL 和 CUB-2011 数据集的实验表明，与使用手工构建或学习特征的先前作品相比，我们的特征具有显着优势。

Jun, 2016

通过方向估计进行点云的自监督学习

本文提出了一种基于 3D 自监督学习的点云学习方法，通过旋转点云实现无标签的自我监督，在形状分类和 3D 关键点预测等任务上表现出色，学习到的特征优于其他自监督方法。

Aug, 2020

扩展自身的对应关系：无监督的远程点云逐步距离扩展注册

EYOC 是一种无监督远距离点云注册方法，通过逐步训练特征提取器并利用高保真度对应关系生成和新数据分布的泛化性能，实现了与监督方法相媲美的注册性能。

Mar, 2024

快速而坚固的点云配准的几何变换器

本研究提出了一种名为几何变换器的方法，通过学习几何特征进行超级点匹配，从而实现点云配准。该方法不需要检测重复的关键点，并在低重叠情况下表现良好，能够提高内点比率和注册召回率。

Feb, 2022

RGBD-Glue: 强鲁棒性 RGB-D 点云配准的通用特征融合

通过提出一种新的特征组合框架，应用松散但更有效的融合，克服各种特征的弱点，并利用两种类型特征的有效信息，该方法在 ScanNet 上实现了最先进的性能，旋转精度达到了 99.1%。

May, 2024

自监督几何感知

自监督几何感知（SGP）框架通过联合优化特征描述和几何模型，解决了对应关系匹配的问题，在相机姿态和刚性转换等缺少地面真值标签的情况下展示了其在实际数据集上令人瞩目的优越性能。

Mar, 2021

通过自监督学习从无标签 RGB-D 视频中学习物体分割

该论文提出了一个自超视自学的物体分割系统，其训练过程利用了点云的超分割结果，利用图匹配算法和点云配准结合检测出 3D 假标签上的再现物体模式并生成 2D 掩码。实验证明，该方法在真实和合成的视频数据集上的表现优于现有的无监督方法。

Apr, 2023