我们提出了一种有效的无监督点云配准方法,通过捕捉源点云与其对应的参考点云副本之间的几何结构一致性,实现了对内点的可靠估计和自监督信号,从而提高了匹配的准确度和优化模型完成的鲁棒性。
Jul, 2023
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
在点云匹配中,以距离不变性矩阵为基础进行聚类,实现了多实例姿态估计并剔除离群点的目标,其可靠性和效率均优于现有方法。
Nov, 2021
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
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
该论文介绍了一种受无监督聚类分析启发的新型非刚性点集配准方法,通过聚类中心和聚类成员分别将源点集和目标点集表述为一个整体框架,并采用带有 Ι₁- 诱导 Laplacian 核的 Tikhonov 正则化来确保平滑而更强健的位移场,在保证封闭形式解、理论保证、与维度无关以及处理大形变的能力的同时,引入了改进的聚类 Nyström 方法来有效减少计算复杂度和 Gram 矩阵的存储,同时为低秩逼近提供了严格的界限。我们的方法在各种场景中实现了高精度的结果,并在具有显著形变的形状上明显超过竞争对手,在形状转换和医学配准等具有挑战性的任务中展现了方法的多功能性。
Jun, 2024
提出了一个基于特征度量的点云配准框架,通过最小化特征度量投影误差来实现优化,该方法具有噪声、异常值和密度差异的鲁棒性,并且不需要对应搜索,因此速度很快。实验证明,该方法具有更高的准确性和鲁棒性,并可处理噪声和密度差异,同时能解决同源和异源点云配准问题。
May, 2020
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
本文提出了一种基于变分非局部网络的离群值识别框架,使用贝叶斯驱动的长程依赖关系来聚集区分几何背景信息进行内点 / 外点的区分,通过投票的方式搜索高质量内点集合进行变换估计,实验证明该框架在 3DMatch、3DLoMatch 和 KITTI 数据集上表现良好。
Apr, 2023
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