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
本文使用 Siamese Transformer 网络,结合点云的形态信息和深度信息,在 3D 单目标跟踪任务中实现了鲁棒的交叉相关学习,取得了与 KITTI、nuScenes 和 Waymo 数据集上最优的表现。
Jul, 2022
介绍了 3DRegNet 技术,它是一种用于三维扫描配准的深度学习架构,基于点对应关系分类为内点 / 外点,回归运动参数,提供了两种替代方案,并提出了一种改进方法。该方法在两个数据集上对比了多个基线算法,包含源代码。
Apr, 2019
稀疏 LiDAR 点云数据仍然存在挑战,因此本文提出了一种多相关 Siamese Transformer 网络,通过在每个阶段末尾基于稀疏支柱进行特征相关,以学习搜索区域的特征并保持模板的独立特征。该算法在 KITTI、nuScenes 和 Waymo 数据集上取得了有希望的性能,并提供了对每个组件有效性的消融实验研究。
Dec, 2023
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
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
采用 2D3D-MATR 方法,我们提出了一种无需检测的方法,用于图像和点云之间的准确且鲁棒的配准。该方法在粗匹配的基础上,通过学习全局上下文约束和跨模态相关性,通过 transformer 实现多尺度金字塔和图像块焦点学习,解决了尺度不确定性问题,从而获得了比之前的最优模型 P2-Net 更高的配准率和稳定度。
Aug, 2023
本文介绍了一个新的神经架构,称为 SpinNet,旨在提取旋转不变但足够信息丰富以达到精确配准的局部特征。通过空间点变换器和神经特征提取器,可以将输入局部表面映射到经过仔细设计的圆柱空间,并利用点卷积神经层和 3D 圆柱卷积神经层来提取紧凑且代表性的描述符进行匹配。在室内和室外数据集上进行的广泛实验表明,SpinNet 的性能优于现有的最先进技术,并在不同传感器模态下具有最佳的泛化能力。
Nov, 2020
本文提出一种新的点云注册驱动的 Siamese 跟踪框架,包括追踪特定的非本地注册模块和注册辅助的 Sinkhorn 模板特征聚合模块,以实现在精确定位物体的同时提高跟踪鲁棒性。
Sep, 2022
通过应用合理的约束条件,我们在干净点云和有噪点云上学习得到的内在特征的一致性,提出了一种改进正常估计质量的方法,并引入一个包含不同噪声级别的多视角正常估计数据集,通过评估现有方法在该数据集上的表现发现其过拟合问题,持久实验证明了我们的特征约束机制能够有效改进现有方法并降低当前架构中的过拟合现象。
Jun, 2024