使用代表性重叠点进行点云配准

Jul, 2021

Point Cloud Registration using Representative Overlapping Points

Lifa Zhu, Dongrui Liu, Changwei Lin, Rui Yan, Francisco Gómez-Fernández...

TL;DR本研究提出了一种新的深度学习模型 ROPNet，它利用具有鉴别性特征的代表性重叠点进行注册，从而将局部到局部的注册转化为局部到完全的注册。实验表明，该方法在嘈杂且部分重叠的点云中表现出卓越的性能。

Abstract

3d point cloud registration is a fundamental task in robotics and computer vision. Recently, many learning-based point cloud registration methods based on correspondences have emerged. However, these methods heavily rely on such correspondences and meet great challenges with partial ov

3d point cloud registration representative overlapping points transformer deep learning partial-to-complete registration

发现论文，激发创造

OMNet：用于部分到部分点云配准的重叠遮罩学习

本研究提出了一种基于全局特征的 OMNet 方法，用于局部 - 局部点云配准。通过学习重叠区域的掩码来拒绝不重叠的区域，并采用了更实用的数据生成方法，实现了与传统和深度学习方法相比的最新性能。

Mar, 2021

部分重叠点云的快速稳健配准

该研究提出了一种新的部分重叠点云的实时配准方法，利用点云的特征编码器和基于图的注意力网络来学习和优化对应关系，实现了与现有方法相当的性能和更快的推理速度。

Dec, 2021

基于融合策略的深度 MVP 点云配准模型

本论文介绍了利用 ROPNet 和 PREDATOR 等两个深度学习模型融合的方法来进行点云配准，最终在 Multi-View Partial Challenge 2021 竞赛中获得了第二名。

Oct, 2021

大型变换的全局点云配准网络

三维数据配准是许多应用的关键问题，本文提出了 ReLaTo，建立了一个优化配准方法，特别适用于大变换的情况。

Mar, 2024

基于深度图匹配的稳健点云配准框架

本文提出了一种基于深度图匹配的 3D 点云注册框架，通过先将点云转化为图并提取每个点的深度特征，再用深度图匹配计算软对应矩阵，从而找到更正确的对应关系，实现了在有离群点和时间约束而没有好的变换初始化时的 3D 点云快速注册。

Mar, 2021

REGTR: 基于 Transformer 的端到端点云对应

该论文提出了一种新的端到端方法来直接预测配准操作中的对应点，利用 transformer 网络结构中的自注意力和交叉注意力机制来替代传统的特征匹配和 RANSAC 算法，该方法在 3DMatch 和 ModelNet 基准上均取得了最先进的成绩。

Mar, 2022

PREDATOR: 低重叠 3D 点云注册

我们引入了 PREDATOR 模型，这是一种针对点云配对注册的模型，通过深度注意重叠区域来实现，其重要特点是重叠注意力块用于两个点云的潜在编码之间的早期信息交换，从而可以预测哪些点不仅很重要，而且位于两个点云之间的重叠区域，大大提高了匹配的准确性，这项工作在低重叠情况下成功匹配率提高了 20％以上，在 3DMatch benchmark 上也创造了新的纪录，注册召回率为 89％。

Nov, 2020

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

DBDNet: 带有双分支解耦的部分到部分点云配准

提出了一种名为 DBDNet 的具有双分支解耦的局部到局部配准的有效方法，通过分别创建两个单独的对应矩阵来消除旋转和平移之间的互相干扰错误，并通过强大的注意力机制实现显式特征交互以准确预测点掩码，并设计了一个多分辨率特征提取网络来捕捉局部和全局模式从而增强重叠预测和配准模块，实验证明了我们提出方法的有效性。

Oct, 2023

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