CVPRApr, 2023

可靠姿态图初始化的多视角点云强匹配及历史重加权

PDF
TL;DR本文提出了一种新的多视点点云配准方法，使用神经网络评估扫描对之间的重叠，构建稀疏的姿态图，并在 IRLS 方案中设计了一种新的历史加权函数以提高对异常边缘的强鲁棒性，实验结果表明，相对于现有方法，我们的方法在 3DMatch 数据集上实现了 11% 的更高配准召回率，在 ScanNet 数据集上实现了约 13% 的更低配准误差，降低了约 70% 的必要的成对注册。
multiview registrationpoint cloudneural networkpose graphirls
发现论文，激发创造
  • 学习多视角三维点云配准

    本文介绍了一种新颖的端到端可学习的多视角三维点云拼接算法，该算法集成了两阶段流程（成对对准和全局优化），并且是当前领先技术的改进。

    Jan, 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

  • 基于深度图匹配的稳健点云配准框架

    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

  • 无监督表面配准的多视角循环对齐网络

    本文提出一种基于刚性变换的非刚性配准算法，通过可微分的损失函数进行监督学习，并在多个数据集上的实验结果表明其优于现有最先进算法。

    Nov, 2020

  • 基于姿态纯图像几何的线性相对姿态估计

    在两视相对估计中，本文介绍了一种基于最近的仅位姿成像几何来通过适当的重新加权过滤异常值的线性相对姿态估计算法，该算法能够处理平面退化场景，在存在高比例异常值的情况下提高鲁棒性和准确性，通过将线性全局平移约束嵌入迭代重新加权最小二乘 (IRLS) 和 RANSAC 的策略中来实现鲁棒异常值去除，Strecha 数据集的仿真和实际测试表明，该算法在面对高达 80% 的异常值时实现了 2 到 10 倍的相对旋转准确性改进。

    Jan, 2024

  • 金字塔语义图全局点云配准方法在低重叠度下的应用

    提出了一种应用图论框架的全局点云配准方法，利用语义线索缩小点云规模解决点云之间重叠度低的问题，通过构建金字塔图进行多级一致性阈值匹配，用级联式梯度上升方法解决最密团问题，得到多个位姿候选项，并通过快速几何验证选择最佳估计。实验证明，尽管点云之间重叠度低且语义质量低，该方法实现了最高的成功率。

    Jul, 2023

  • L-PR：利用 LiDAR 基准标记进行无序低重叠多视图点云配准

    本研究介绍了一种名为 L-PR 的新型框架，利用 LiDAR 基准标志（类似于 AprilTag 和 ArUco 标记）来注册无序的低重叠多视点点云。通过改进的自适应阈值标记检测方法和二级图优化，该方法在准确性、重建质量、定位准确性和对恶化场景的鲁棒性等四个方面表现优越。我们将方法和数据集开源，链接：https://this_URL。

    Jun, 2024

  • ReAgent: 点云配准的模仿和强化学习

    本篇论文提出了一种基于强化学习的点云迭代配准算法（ReAgent），通过引入一个新的对齐奖励函数进行多策略融合优化，显著提高了算法的配准性能，实验证明该算法在 ModelNet40 和 ScanObjectNN 数据集上均具备优秀的性能，在实际物体位姿估计任务（LINEMOD 数据集）中也实现了比现有算法更精确的结果。

    Mar, 2021

  • 用于直接配对注册的三维局部特征

    本文提出了一种基于数据驱动的方法来解决点云配准问题，通过增加姿态变换描述符的相对姿态估计网络来实现对于全球配准的转换线索，然后通过假设和验证算法来快速使用预测进行对齐，实验表明这种方法在点云配准问题上的表现超过了现有技术。

    Apr, 2019

  • 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