IJCAIMay, 2023

APR：通过点云重构进行在线远程点云配准

PDF
TL;DR本文提出一种名为 APR 的新型特征提取框架，该框架利用自编码器设计重建了一个带有几个帧的密集聚合点云，从而提取具有丰富局部几何信息的特征进行在线的远程点云配准。实验结果表明，APR 较 KITTI 和 nuScenes 数据集上的其他特征提取器表现更优秀。
发现论文，激发创造
  • 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

  • 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

  • PAPR: 接近度注意力点渲染

    基于点云的场景表面的准确和简明表示的学习仍然是 3D 表示学习中的一个挑战。为了解决这些限制，我们提出了一种名为 Proximity Attention Point Rendering (PAPR) 的新方法，该方法由一个基于点的场景表示和一个可微分渲染器组成。

    Jul, 2023

  • KS-APR: 鲁棒绝对位姿回归的关键帧选择

    KS-APR 是一种用于 Markerless Mobile Augmented Reality 的 pipeline，通过结合 APR 的推断结果和训练集中的先验图像来评估估计位姿的可靠性，从而提高可靠性和准确性，适用于不需要一次性决策的视觉定位任务。

    Aug, 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

  • HR-APR: 基于不确定性估计和分层细化的面向相机重定位的 APR 通用框架

    本研究介绍了一种新的 APR 通用框架 ——HR-APR，将不确定性估计作为查询与数据库特征之间余弦相似度的问题来解决，不依赖于特定的 APR 架构，并通过利用不确定性进行姿态细化，提高了 APR 的性能。实验证明，该框架在单图像 APR 中保持了 SOTA 的准确性，同时降低了 7Scenes 和剑桥地标数据集的计算开销。

    Feb, 2024

  • 扩展自身的对应关系：无监督的远程点云逐步距离扩展注册

    EYOC 是一种无监督远距离点云注册方法，通过逐步训练特征提取器并利用高保真度对应关系生成和新数据分布的泛化性能，实现了与监督方法相媲美的注册性能。

    Mar, 2024

  • 具有上下文编码的密度感知卷积网络用于航空 LiDAR 点云分类

    本文提出了一种基于密度感知卷积和上下文编码的多尺度全卷积神经网络方法，用于 3D 点云分类，同时在 ISPRS 3D 标注基准上实现了新的最优性能。

    Oct, 2019

  • 远距离点云配准的密度不变特征

    通过群组对比学习方案，提出了一种提取密度不变几何特征的方法，用于远距离室外 LiDAR 点云的注册，实验证明此特征提取器相比现有方法更强大且密度不变，使得远距离场景的注册召回率分别提高了 40.9% 和 26.9%。

    Jul, 2023

  • 汽车传感器的混合点云语义压缩：性能评估

    本文提出了一个管道，用于在汽车场景中高效压缩 LiDAR 观测数据，首先利用 RangeNet++，一个用于语义推断点标签的深度神经网络来减少信道负载，其次是使用 Draco 对选择的点进行压缩，实验证明该方法可以在 LiDAR 的帧率下实现实时性。

    Mar, 2021