CVPRMar, 2023

无监督深度概率方法用于部分点云配准

PDF
TL;DR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。
deep point cloud registrationunsupervised learningprobabilistic registration frameworkgaussian mixture modelslocal contrastive loss
发现论文，激发创造
  • DeepGMR: 学习用于配准的潜在高斯混合模型

    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

  • 部分重叠点云的快速稳健配准

    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

  • 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

  • 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

  • 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

  • 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

  • 无监督点云配准的可靠内点评估

    该论文提出了一种基于邻域一致性的可靠内点评估方法，以提高无监督点云配准的精度，并利用匹配映射细化模块和内点评估模块配合实现精确配准，最终使用加权 SVD 算法进行转换估计。

    Feb, 2022

  • PRNet: 针对局部到局部注册的自监督学习

    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

  • 无监督点云配准：通过可微渲染实现的无监督点云配准

    我们提出了一种无监督方法 (UnsupervisedR&R)，从原始 RGB-D 视频中学习点云配准，通过可微的对齐和渲染，强制实现帧间的光度和几何一致性，实现三维场景的自动对齐。实验结果表明，该方法在室内场景数据集上优于传统方法，并具有竞争力的监督几何点云注册方法。

    Feb, 2021

  • 基于采样网络引导的无监督点云配准交叉熵方法

    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。

    Sep, 2021