最大团的 3D 配准
CLIPPER + 是一种用于异常鲁棒的全局配准的寻找最大团的算法,通过近似求解最大团问题以提高计算效率和解决方案准确性,在标准图基准、合成和真实世界点云配准问题上表现出最高的准确性。
Feb, 2024
我们研究了 3D 注册问题的一个变种,名为多模型 3D 注册。在多模型注册问题中,我们给出两个描绘了不同姿态下一组物体(可能包括属于背景的点)的点云,并且我们希望同时重建出这两个点云之间所有物体的运动。该方法通用于标准的 3D 注册,其中需要重建出单个姿态,例如传感器描绘静态场景的运动。此外,它为相关的机器人应用提供了数学上的基础,例如,机器人上的深度传感器感知动态场景,并且目标是在同时恢复出自身的运动(从静态部分场景中)以及所有动态物体的运动。我们假设一个基于对应关系的设置,在两个点云之间存在着匹配关系,同时考虑了这些对应关系受到异常值干扰的实际情况。然后,我们提出了一种基于期望最大化(Expectation-Maximization)的简单方法,并建立了 EM 方法收敛到真实结果的理论条件。我们在从桌面场景到自动驾驶场景的模拟和实际数据集上评估了该方法,并证明其与最先进的场景流方法相结合时的有效性。
Feb, 2024
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
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
提出了一个名为 TEASER 的算法,它使用 TLS 成本和图论框架来解决 3D 点集之间的快速且可靠的配准问题,能够在存在大量离群值的情况下有效地工作。该算法还提供了理论误差界限,并且在标准和 3DMatch 基准测试中都表现出跨越式的性能优势。
Jan, 2020
本文将点云配准问题视为语义实例匹配和配准任务,提出了一种用于大规模室外点云配准的深度语义图匹配方法。通过利用大规模点云语义分割网络获得 3D 点云的语义类别标签,并使用欧氏聚类算法将具有相同类别标签的相邻点进行聚类。基于语义实例的空间相邻关系构建了语义邻接图,通过图卷积网络学习了几种高维特征,包括几何形状特征、语义分类特征和空间分布特征,同时应用了注意力机制进行增强。将语义实例匹配问题建模为一个最优传输问题,并通过最优匹配层进行求解。最后,根据匹配的语义实例,首先通过奇异值分解(SVD)算法获得两个点云之间的几何变换矩阵,然后使用 ICP 算法进行细化处理。实验在 KITTI Odometry 数据集上进行,所提出方法的平均相对平移误差和平均相对旋转误差分别为 6.6cm 和 0.229 度。
Aug, 2023
该论文通过概率点匹配处理刚性和关节形状匹配问题,引入了一种新型 EM-like 算法 ECMPR,使用混合模型来处理未知的对应关系,提出了一种鲁棒性强的点匹配方法,包括旋转和平移参数的估计以及异常值的检测和剔除。
Dec, 2020
本篇文章提出了基于最大期望算法的多视角点集注册方法,通过利用高斯混合模型描述点云数据分布并定义最大似然估计函数,实现了高精度、高鲁棒性、高效率的点云多视角重建。
Feb, 2020