完整范围内的健壮部分点云对齐
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
引入了 DeepGMR 算法,该算法是首个显式利用概率注册范例的基于学习的点云配准方法,利用混合高斯模型模拟两点云之间的概率分布,通过神经网络和两个可微计算块进行配准,从而实现产生全局注册方法的目的。该方法在合成和真实数据上均表现出比几何和基于学习的配准方法更好的性能。
Aug, 2020
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
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
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
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
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
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。
Jul, 2021
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