ICCVSep, 2021

基于采样网络引导的无监督点云配准交叉熵方法

PDF
TL;DR本文提出了一种基于交叉熵方法的端到端深度学习模型，用于无监督的点云配准任务，通过定义奖励函数及构建融合分数函数等方式进行最优化的点云配准，可优化配准算法 ICP 需要较高的计算量问题。
point cloud registrationunsupervised learningdeep learningcross-entropy methoditerative closest point
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

  • 无监督深度概率方法用于部分点云配准

    提出了一种名为 UDPReg 的无监督深度概率点云配准框架，使用 GMM 的后验概率分布、Sinkhorn 算法和三种分布一致性损失函数来解决点云配准中的部分重叠和标记数据问题，并且在多项基准测试中实现了竞争性的性能表现。

    Mar, 2023

  • 稠密点云补全的变形采样网络

    本文提出了一种新的方法，通过两个阶段，利用参数化表面元素和采样算法预测粗粒度点云并与输入点云合并来完成部分点云。实验结果表明，该方法在 Earth Mover's Distance（EMD）和 Chamfer Distance（CD）等方面表现优异，优于现有方法。

    Nov, 2019

  • 实时规划的高样本利用率交叉熵方法

    本文提出了改进的 CEM 算法，包括时间相关动作和内存等创新性的增加，可以在高维控制问题中使用，减少了采样次数并提高了 1.2-10 倍的性能表现。

    Aug, 2020

  • DeepICP: 一种用于 3D 点云配准的端对端深度神经网络

    DeepICP 是一种端到端的学习框架，采用多种深度神经网络结构来实现 3D 点云的配准，并集成了局部相似性和全局几何约束以提高配准精度和鲁棒性。

    May, 2019

  • DeepMapping：无监督多点云图估计

    使用深度神经网络作为辅助工具，DeepMapping 提出了一种新的注册框架，可将多个点云从头开始对齐到全局一致框架中，并将注册问题转换为二进制空间分类。实验证明，相对于现有技术，DeepMapping 通常能够实现更 robust，更准确的全局点云注册。

    Nov, 2018

  • 高效点云配准的动态网络

    该论文介绍了一种动态方法，通过多次迭代点云数据的注册过程，识别匹配点聚类区域，从而删除噪点，并通过评估每个注册阶段的结果以提高网络效率。实验证明，该模型相较于其他方法在相似结果上显著减少时间消耗，室内数据集 (3DMatch) 速度提升超过 41%，室外数据集 (KITTI) 速度提升 33%，同时保持竞争性的注册召回需求。

    Dec, 2023

  • CSI：提升三维点云识别对冲突的鲁棒性

    该研究针对点云数据的不可避免的数据损坏问题，提出了基于关键子集识别（CSI）方法，通过密度感知采样（DAS）和自熵最小化（SEM）两个关键组件来提高点云识别的鲁棒性。实验证明，该方法在 ModelNet40-C 和 PointCloud-C 数据集上分别取得了 18.4% 和 16.3% 的错误率，相对于同类方法分别提高了 5.2% 和 4.2%。

    Oct, 2023

  • 密度自适应点集配准

    本研究利用基于期望最大化的框架最小化 KL 距离，构建点云场景的潜在概率分布模型，使其能够适应密度变化，并成功在多种真实世界的激光雷达数据集上超越现有的多视角概率方法，而无需重新采样。

    Apr, 2018

  • LSG-CPD：基于局部表面几何的相干点漂移点云配准

    本文提出了一种新的方法：基于局部表面几何结构的连贯点漂移（LSG-CPD），该方法通过自适应地根据本地表面的平整程度在点对点惩罚的基础上添加不同级别的点对平面惩罚，构建具有各向异性协方差的高斯混合模型，并以最大似然估计问题的形式予以解决。该方法在各种数据集上的精度和鲁棒性方面优于现有算法，并且比 CPD 的现代实现更快。

    Mar, 2021