Jul, 2023

GAFAR：基于图注意力特征增强的快速轻量级的点集配准算法

PDF
TL;DR本篇论文提出了一种基于点云 CNN 和注意力机制的点云配准方法，考虑了点云的自旋转性和排列不变性，并证明了该方案在鲁棒性、效率和通用性方面的优越性。
rigid registrationpoint cloudsdeep learningattention mechanismrobust
发现论文，激发创造
  • 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

  • DeepGMR: 学习用于配准的潜在高斯混合模型

    引入了 DeepGMR 算法，该算法是首个显式利用概率注册范例的基于学习的点云配准方法，利用混合高斯模型模拟两点云之间的概率分布，通过神经网络和两个可微计算块进行配准，从而实现产生全局注册方法的目的。该方法在合成和真实数据上均表现出比几何和基于学习的配准方法更好的性能。

    Aug, 2020

  • 3DFeat-Net: 基于弱监督的点云局部 3D 特征匹配

    本文提出 3DFeat-Net 算法，利用弱监督学习 3D 特征检测器和描述符，通过对齐和注意机制学习 GPS/INS 标记的 3D 点云的特征对应关系，无需显式指定匹配点群，实验表明其在室外重力对齐数据集上取得了最优表现。

    Jul, 2018

  • 基于注意力机制的图卷积神经网络点云学习

    提出了名为 AGCN 的新型网络结构，结合了图卷积网络和注意力机制，可以有效地从无序和非结构化的点云数据中提取特征，经实验证明在分类和分割任务中均达到了当前最先进的性能。

    May, 2019

  • ACSGRegNet：基于深度学习的腰椎 CT 联合仿射和变形配准的无监督框架，通过交叉自注意融合实现

    该研究提出了一种新的基于深度学习的框架 ——ACSGRegNet，该框架通过集成交叉关注模块和自关注模块来实现无监督的仿射和差分变形配准，通过在脊柱 CT 图像上进行广泛的实验，已经取得了比现有方法更好的结果。

    Aug, 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

  • Robust-DefReg：一种基于图卷积神经网络的鲁棒变形点云配准方法

    本文介绍一种使用 GCNN 作为基础的鲁棒非刚性点云配准方法，该方法采用从粗到细的配准策略，在处理不同的挑战时实现高精度且鲁棒性高的配准，并具有计算效率高的特点。

    Jun, 2023

  • 基于图注意力的点云局部特征开发神经网络 GAPNet

    本研究基于图形注意力机制，提出了一个新的神经网络 GAPNet，用于学习点云中的局部几何表示，并且在形状分类和部分分割任务中，取得了最先进的性能。

    May, 2019

  • PointDifformer：基于神经扩散和 Transformer 的鲁棒点云配准

    使用图神经偏微分方程和热核签名的鲁棒点云配准方法，在三维计算机视觉中具有应用于图形、自动驾驶和机器人技术等领域的基础技术。实验结果表明，该方法不仅在点云配准方面取得了最先进的性能，而且对于加性噪声或三维形状扰动具有更好的鲁棒性。

    Apr, 2024

  • 层次注意力和图神经网络：面向无漂移姿势估计

    本文探索了使用分层注意机制和图神经网络的学习模型来替代传统的几何配准和姿态图优化的框架，通过压缩数据流并保留估计刚性姿态所需的基本信息，大大提高了姿态估计的精确性，尤其在旋转组件方面的改进较为明显。

    Sep, 2023