Jul, 2023

金字塔语义图全局点云配准方法在低重叠度下的应用

PDF
TL;DR提出了一种应用图论框架的全局点云配准方法，利用语义线索缩小点云规模解决点云之间重叠度低的问题，通过构建金字塔图进行多级一致性阈值匹配，用级联式梯度上升方法解决最密团问题，得到多个位姿候选项，并通过快速几何验证选择最佳估计。实验证明，尽管点云之间重叠度低且语义质量低，该方法实现了最高的成功率。
global point cloud registrationlow overlapgraph-theoretic frameworksemantic cuescascaded gradient ascend method
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

  • 大规模室外点云配准的深度语义图匹配

    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

  • G3Reg：基于高斯椭球模型的金字塔图形全球配准

    该研究介绍了一个新的框架 G3Reg，用于快速而稳健地全局注册激光雷达点云。与传统的复杂关键点和描述符不同，我们从原始点云中提取基本的几何原语，包括平面、聚类和线段，以获取低级语义分段。每个分段都被形式化为一个统一的高斯椭球模型 (GEM)，通过采用概率椭球来确保地面事实上的中心被一定概率范围内涵盖。利用这些 GEMs，我们提出了一种基于金字塔兼容性图的不信任和验证的方案 (PAGOR)。具体而言，我们建立了一个上界，可以基于置信水平进行遍历，以用于构建金字塔图的兼容性测试。逐渐地，我们针对图的每个层解决多个最大团 (MAC)，生成许多转换候选。在验证阶段，我们采用了一种基于几何原语的精确而高效的评估指标，用于识别最佳候选。该算法的性能在三个公开数据集和一个经过自行收集的多会话数据集上进行了广泛验证，在实验评估中未改变任何参数设置。结果表明，与最先进的方法相比，G3Reg 框架具有卓越的稳健性和实时性能。此外，我们展示了将个别的 GEM 和 PAGOR 组件集成到其他算法框架中以增强其效力的潜力。为了推动进一步的研究并促进社区理解，我们已公开共享源代码。

    Aug, 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

  • 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

  • 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

  • 深度图形空间一致性用于鲁棒非刚性点云配准

    该研究提出了一种基于图形结构和局部空间一致性的筛选异常对应关系的方法，该方法适用于非刚性点云配准。

    Mar, 2023

  • 基于语义图的三维点云地点识别

    本文提出了一种基于语义图的三维点云场景识别方法，该方法具有鲁棒性，能够应对遮挡和视角变化等环境变化，评估结果表明该方法优于现有技术。

    Aug, 2020

  • OMNet：用于部分到部分点云配准的重叠遮罩学习

    本研究提出了一种基于全局特征的 OMNet 方法，用于局部 - 局部点云配准。通过学习重叠区域的掩码来拒绝不重叠的区域，并采用了更实用的数据生成方法，实现了与传统和深度学习方法相比的最新性能。

    Mar, 2021

  • SEM-GAT：使用学习到的图注意力进行可解释的语义姿态估计

    本文提出了一种基于 GNN 的方法，利用语义和局部几何形状来指导可靠点云注册候选项的识别，语义和形态特征作为注册的关键参考点，实现精确的激光雷达姿态估计，我们的轻量级静态图结构通过识别语义实例关系，作为一种归纳偏见，显著减少了点云注册的计算负担，通过连接候选节点和利用跨图的关注机制，我们为所有潜在的注册对应关系计算置信度得分，估计点云扫描之间的位移，我们的流程通过将模型与环境中的局部结构的个体贡献相关联，使模型的性能进行内省分析，提供有价值的系统行为洞察。我们在 KITTI 测距数据集上测试我们的方法，相较于基准方法，实现了竞争性的准确度和更高的轨迹平滑度，同时依赖 significantly fewer network parameters。

    Aug, 2023