ImLoveNet: 面向低重叠点云配对的图像支持非对齐配准网络
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
本研究提出了一种名为 I2PNet 的新型端对端 2D-3D 注册网络,该网络能够精确定位机器人并在相机 - LiDAR 在线校准方面表现出色。
Jun, 2023
本文提出了 DeepI2P:一种新的图像和点云之间的跨模态配准方法。通过将配准问题转化为分类和逆投影优化问题,并使用分类神经网络来对点云中的每个点进行分类。通过这种方法估计相对刚性变换,进而解决了图像和点云之间特征描述缺失的问题。实验结果表明了我们方法的可行性。
Apr, 2021
本文介绍了一种基于完全卷积神经网络的技术,旨在解决点云处理过程中的数据缺失与冗余问题,该方法可以提高基于学习的和经典的点云配准方法的准确性,并在真实世界与合成数据集上进行了测试和演示。
Oct, 2020
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
我们提出了一种基于无监督网络的 Overlap Bias Matching Network (OBMNet) 用于局部点云配准,可有效解决无监督方法在重叠评估方面的不足,通过 Overlap Bias Matching Module (OBMM) 和 neighbor map matching module 的精准合并匹配得分等方法,可在低重叠比例的配准场景中保持有效性,实验证明该方法相比先前的配准方法有显著的提升。
Aug, 2023
利用跨模态信息建议的网络 (CMIGNet) 实现精确和稳健的点云配准,通过投影图像和交叉模态特征融合,采用两种对比学习策略,并提出了一个遮罩预测模块以识别点云中的关键点,实验证明我们的网络具有优越的配准性能。
Nov, 2023
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
图像与点云之间的特征匹配问题是图像到点云配准的基本问题。通过预训练的大规模模型来统一图像和点云之间的模态,并在同一模态内建立可靠的对应关系。我们利用深度到图像扩散模型提取的中间特征即扩散特征在图像和点云之间具有语义一致性,这使得粗糙但稳健的跨模态对应关系的建立成为可能。在由单目深度估计器产生的深度图上进一步提取几何特征,通过匹配这些几何特征,显著提高了扩散特征产生的粗糙对应关系的准确性。在三个公共室内外基准测试上,通过直接利用这两种特征,该方法平均提高了 20.6%的内点比率、三倍的内点数目和 48.6%的配准召回率相比现有最先进方法。
Oct, 2023