ICCVAug, 2023

PointMBF: 用于无监督 RGB-D 点云配准的多尺度双向融合网络

PDF
TL;DR利用 RGB 图像和深度图像生成的点云之间的多尺度双向融合实现了更准确的对应估计，从而使得我们的点云配准方法在 ScanNet 和 3DMatch 数据集上达到了最新的性能水平。
point cloud registrationrigid transformationunsupervised registrationrgb-d datamulti-scale bidirectional fusion
发现论文，激发创造
  • RGBD-Glue: 强鲁棒性 RGB-D 点云配准的通用特征融合

    通过提出一种新的特征组合框架，应用松散但更有效的融合，克服各种特征的弱点，并利用两种类型特征的有效信息，该方法在 ScanNet 上实现了最先进的性能，旋转精度达到了 99.1%。

    May, 2024

  • 无监督点云配准：通过可微渲染实现的无监督点云配准

    我们提出了一种无监督方法 (UnsupervisedR&R)，从原始 RGB-D 视频中学习点云配准，通过可微的对齐和渲染，强制实现帧间的光度和几何一致性，实现三维场景的自动对齐。实验结果表明，该方法在室内场景数据集上优于传统方法，并具有竞争力的监督几何点云注册方法。

    Feb, 2021

  • FreeReg: 集成预训练扩散模型和单目深度估计的图像到点云注册

    图像与点云之间的特征匹配问题是图像到点云配准的基本问题。通过预训练的大规模模型来统一图像和点云之间的模态，并在同一模态内建立可靠的对应关系。我们利用深度到图像扩散模型提取的中间特征即扩散特征在图像和点云之间具有语义一致性，这使得粗糙但稳健的跨模态对应关系的建立成为可能。在由单目深度估计器产生的深度图上进一步提取几何特征，通过匹配这些几何特征，显著提高了扩散特征产生的粗糙对应关系的准确性。在三个公共室内外基准测试上，通过直接利用这两种特征，该方法平均提高了 20.6％的内点比率、三倍的内点数目和 48.6％的配准召回率相比现有最先进方法。

    Oct, 2023

  • 基于学习动态模型的无监督点云配准规划

    本文利用强化学习将点云配准问题转化为一种规划问题，通过逐步缩小变换搜索空间来获得源点云和目标点云之间的最佳变换，实验结果表明我们的方法可以在无监督学习的情况下产生良好的配准性能。

    Aug, 2021

  • DeepMapping：无监督多点云图估计

    使用深度神经网络作为辅助工具，DeepMapping 提出了一种新的注册框架，可将多个点云从头开始对齐到全局一致框架中，并将注册问题转换为二进制空间分类。实验证明，相对于现有技术，DeepMapping 通常能够实现更 robust，更准确的全局点云注册。

    Nov, 2018

  • 无监督表面配准的多视角循环对齐网络

    本文提出一种基于刚性变换的非刚性配准算法，通过可微分的损失函数进行监督学习，并在多个数据集上的实验结果表明其优于现有最先进算法。

    Nov, 2020

  • 无监督点云配准的迭代反馈网络

    本文提出了一种新颖的迭代反馈网络（IFNet）用于无监督点云配准，通过重新路由后续的高级特征，高效地丰富了低级特征的表示；进一步设计了反馈变换器以从反馈的高级特征中高效选择相关信息进行细化；最后引入了几何感知描述符来充分利用几何信息，从而获得更精确的配准结果。在各种基准数据集上的广泛实验表明了我们 IFNet 的优异配准性能。

    Jan, 2024

  • 学习多视角三维点云配准

    本文介绍了一种新颖的端到端可学习的多视角三维点云拼接算法，该算法集成了两阶段流程（成对对准和全局优化），并且是当前领先技术的改进。

    Jan, 2020

  • 基于点的多视角立体网络

    Point-MVSNet 是用 point clouds 直接处理目标场景的深度学习网络，通过将 3D 几何先验和 2D 纹理信息融入特征增强的 point cloud 中，实现了在 multi-view stereo 中更高的精度、更高的计算效率和更大的灵活性。

    Aug, 2019

  • PointFusion：用于 3D 边界框估计的深度传感器融合

    使用 PointFusion 实现基于图像和点云信息的 3D 对象检测方法，其中 CNN 和 PointNet 网络分别处理图像和点云数据，再由新型融合网络将二者输出结合起来预测多个 3D 框及其置信度，相比现有方法在 KITTI 和 SUN-RGBD 数据集上实现更好的检测结果且无需特定模型调整。

    Nov, 2017