Jul, 2023

基于直接超点匹配的快速、稳健点云配准

PDF
TL;DR本文提出了一种使用全局 softmax 层直接匹配超级点以确定目标点云变换的简单而有效的方法，通过利用超级点匹配的丰富信息，可以获得更精确的变换估计，并有效地过滤掉任何后处理中的离群值，从而实现了不仅快速而且在 ModelNet 和 3DMatch 基准测试中也获得了最先进的结果。
deep neural networkssuperpointscorrespondencesglobal softmax layerpoint cloud
发现论文，激发创造
  • 快速而坚固的点云配准的几何变换器

    本研究提出了一种名为几何变换器的方法，通过学习几何特征进行超级点匹配，从而实现点云配准。该方法不需要检测重复的关键点，并在低重叠情况下表现良好，能够提高内点比率和注册召回率。

    Feb, 2022

  • REGTR: 基于 Transformer 的端到端点云对应

    该论文提出了一种新的端到端方法来直接预测配准操作中的对应点，利用 transformer 网络结构中的自注意力和交叉注意力机制来替代传统的特征匹配和 RANSAC 算法，该方法在 3DMatch 和 ModelNet 基准上均取得了最先进的成绩。

    Mar, 2022

  • 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

  • GeoTransformer: 快速且鲁棒的点云配准算法与几何变换

    本论文研究了点云配准中准确提取对应关系的问题，通过绕过重复关键点的检测，利用超点实现了匹配，并提出了一种名为几何变换器（GeoTransformer）的方法来学习几何特征，从而使得在低重叠情况下具有鲁棒性。实验证明该方法在各种测试场景下都表现出了显著的准确性和效率。

    Jul, 2023

  • 基于点云配准驱动的三维孪生物体追踪强鲁棒特征匹配

    本文提出一种新的点云注册驱动的 Siamese 跟踪框架，包括追踪特定的非本地注册模块和注册辅助的 Sinkhorn 模板特征聚合模块，以实现在精确定位物体的同时提高跟踪鲁棒性。

    Sep, 2022

  • 使用深度空间一致性的鲁棒点云配准

    本研究提出 PointDSC，一个基于深度学习的神经网络，在点云配准中明确地引入空间一致性，通过非局部特征聚合模块和可微分谱匹配模块进行同型剪枝，实现对离群点对应关系的修剪，结果表明 PointDSC 在多个实际数据集上比基于手工和基于深度学习的离群点拒绝方法都有更好的表现，并通过与不同的 3D 局部描述符进行组合来展示其广泛的适用性。

    Mar, 2021

  • CoFiNet：可靠的粗到细的对应关系用于鲁棒的点云配准

    本文介绍了一种名为 CoFiNet 的粗糙到精细网络技术，该技术无需进行关键点检测，而是通过权重方案从粗糙到精细地提取点云之间的对应关系并进行匹配。在标准测试中，CoFiNet 在室内和室外场景上都比现有方法表现优越，特别是在 3DLoMatch 上，其 Registration Recall 性能提高至少 5％，而参数至多只有现有方法的三分之二。

    Oct, 2021

  • 使用代表性重叠点进行点云配准

    本研究提出了一种新的深度学习模型 ROPNet，它利用具有鉴别性特征的代表性重叠点进行注册，从而将局部到局部的注册转化为局部到完全的注册。实验表明，该方法在嘈杂且部分重叠的点云中表现出卓越的性能。

    Jul, 2021

  • 弱监督 2D 点集配准的语义匹配

    本文提出了一种卷积神经网络的方法来处理物体相同实例之间的对应关系问题，定义了一个新的基于循环一致性的损失函数来解决 2D 点集的注册问题，并在 Proposal-Flow（PF-PASCAL）数据集上进行了训练和测试，取得了最先进的结果。

    Jan, 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