Apr, 2023

HybridFusion: LiDAR 和视觉源点云融合

PDF
TL;DR本研究提出一种名为 HybridFusion 的跨来源点云融合算法，包括粗到细的 patch 匹配，2D/3D 注册和多个 Patch 姿态估计结果簇合和融合来确定最终姿态，经过定性和定量实验证明 HybridFusion 达到了近期点云同源性配准的最好表现。
point cloud registrationcross-source fusionhybridfusion2d/3d registrationpoint cloud filling
发现论文，激发创造
  • 保留宏观和微观结构的跨源点云配准系统化方法

    提出了一种系统的方法来注册来自不同来源的点云，本方法对宏观和微观结构进行了提取，并建立了一个图匹配方法来考虑全局几何约束条件以实现鲁棒的点云注册，实验结果显示，与其他方法相比，本方法在同源和异源数据集中的注册均取得了良好的结果。

    Aug, 2016

  • 跨源点云配准：挑战、进展与前景

    本文系统回顾了 CSPC（Cross-source Point Cloud）配准的特点，关键挑战，研究进展和应用领域，并讨论了该领域的重要研究方向和多个传感器结合优势。

    May, 2023

  • 点云配准综述

    本篇综述介绍了同源和异源点云配准的优化和深度学习方法，并总结了二者之间的关系。同时，本文还创建了一套新的评估基准来解决异源挑战，并讨论了不同领域中的点云配准应用。最后，本文提出了这个快速发展领域的潜在研究方向。

    Mar, 2021

  • VRHCF：基于体素表示和层次对应过滤的跨源点云配准

    基于球形体素的特征表示和分层对应筛选的点云配准方法适用于同质和异质数据，能有效应对不同密度和分布的点云数据，滤出高质量对应点，实现了多领域点云配准。

    Mar, 2024

  • PointFusion：用于 3D 边界框估计的深度传感器融合

    使用 PointFusion 实现基于图像和点云信息的 3D 对象检测方法，其中 CNN 和 PointNet 网络分别处理图像和点云数据，再由新型融合网络将二者输出结合起来预测多个 3D 框及其置信度，相比现有方法在 KITTI 和 SUN-RGBD 数据集上实现更好的检测结果且无需特定模型调整。

    Nov, 2017

  • 多种扫描几何形状的点云自动粗配准：探究检测器和描述子

    通过比较不同传感器、关键点检测器和特征描述符的表现，在使用点云的范围图像和最佳特征进行关键点匹配的基础上，实现来自不同测量几何的点云快速对齐，从而得出 NARF 特征能够检测更多关键点，并在这种情况下实现更快的自动对齐过程，而关键点检测器和特征的组合对自动对齐的准确性影响相似。

    Aug, 2023

  • LiDAR 点云 3D 物体检测的端到端多视角融合

    本文提出了一种新颖的多视角融合算法 (MVF)，它能够从鸟瞰视角和透视视角有效地学习利用互补信息，其中采用了动态体素化方法。在 Waymo 开放数据集和 KITTI 数据集上的评估表明，MVF 模型显著提高了检测精度。

    Oct, 2019

  • FGFusion：用于三维物体检测的细粒度激光雷达 - 摄像头融合

    我们提出了 Fine-Grained Lidar-Camera Fusion (FGFusion) 方法，通过设计双通路层次结构提取图像的高级语义和低级详细特征，引入辅助网络指导点云特征学习细粒度的空间信息，最后采用多尺度融合 (MSF) 方法将图像和点云的特征融合，通过在 KITTI 和 Waymo 两个常用的自动驾驶基准上进行的大量实验验证了我们方法的有效性。

    Sep, 2023

  • 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

  • 3D-CVF：使用跨视角空间特征融合生成联合相机和激光雷达特征进行 3D 物体检测

    提出了一种新的深度架构，用于将相机和 LiDAR 传感器融合以进行 3D 物体检测，该方法称为 3D-CVF，通过交叉视图空间特征融合策略，使用自动校准投影将相机和 LiDAR 特征组合，该方法在 KITTI 基准测试中实现了最先进的性能。

    Apr, 2020