Aug, 2023

点云配准需要重叠偏差匹配

PDF
TL;DR我们提出了一种基于无监督网络的 Overlap Bias Matching Network (OBMNet) 用于局部点云配准，可有效解决无监督方法在重叠评估方面的不足，通过 Overlap Bias Matching Module (OBMM) 和 neighbor map matching module 的精准合并匹配得分等方法，可在低重叠比例的配准场景中保持有效性，实验证明该方法相比先前的配准方法有显著的提升。
发现论文，激发创造
  • 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

  • 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

  • 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

  • DBDNet: 带有双分支解耦的部分到部分点云配准

    提出了一种名为 DBDNet 的具有双分支解耦的局部到局部配准的有效方法，通过分别创建两个单独的对应矩阵来消除旋转和平移之间的互相干扰错误，并通过强大的注意力机制实现显式特征交互以准确预测点掩码，并设计了一个多分辨率特征提取网络来捕捉局部和全局模式从而增强重叠预测和配准模块，实验证明了我们提出方法的有效性。

    Oct, 2023

  • ImLoveNet: 面向低重叠点云配对的图像支持非对齐配准网络

    提出了一个利用中间图像辅助点云配准的方法 ImLoveNet，通过学习跨不同模态的深度特征以及两阶段分类器，得到高置信的重叠区域来进行配准，该方法简单有效，无需摄像机的外参信息，并在多项基准测试中取得了优于其他方法的表现。

    Jul, 2022

  • 无监督深度概率方法用于部分点云配准

    提出了一种名为 UDPReg 的无监督深度概率点云配准框架，使用 GMM 的后验概率分布、Sinkhorn 算法和三种分布一致性损失函数来解决点云配准中的部分重叠和标记数据问题，并且在多项基准测试中实现了竞争性的性能表现。

    Mar, 2023

  • 无监督点云配准的可靠内点评估

    该论文提出了一种基于邻域一致性的可靠内点评估方法，以提高无监督点云配准的精度，并利用匹配映射细化模块和内点评估模块配合实现精确配准，最终使用加权 SVD 算法进行转换估计。

    Feb, 2022

  • 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

  • 金字塔语义图全局点云配准方法在低重叠度下的应用

    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。

    Jul, 2023

  • MaskNet：一个完全卷积网络，用于估计内点

    本文介绍了一种基于完全卷积神经网络的技术，旨在解决点云处理过程中的数据缺失与冗余问题，该方法可以提高基于学习的和经典的点云配准方法的准确性，并在真实世界与合成数据集上进行了测试和演示。

    Oct, 2020