多种扫描几何形状的点云自动粗配准：探究检测器和描述子

Aug, 2023

多种扫描几何形状的点云自动粗配准：探究检测器和描述子

Automatic coarse co-registration of point clouds from diverse scan geometries: a test of detectors and descriptors

Francesco Pirotti, Alberto Guarnieri, Stefano Chiodini, Carlo Bettanini

TL;DR通过比较不同传感器、关键点检测器和特征描述符的表现，在使用点云的范围图像和最佳特征进行关键点匹配的基础上，实现来自不同测量几何的点云快速对齐，从而得出 NARF 特征能够检测更多关键点，并在这种情况下实现更快的自动对齐过程，而关键点检测器和特征的组合对自动对齐的准确性影响相似。

Abstract

point clouds are collected nowadays from a plethora of sensors, some having higher accuracies and higher costs, some having lower accuracies but also lower costs. Not only there is a large choice for different

point clouds sensors keypoint detectors feature descriptors co-registration

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

HybridFusion: LiDAR 和视觉源点云融合

本研究提出一种名为 HybridFusion 的跨来源点云融合算法，包括粗到细的 patch 匹配，2D/3D 注册和多个 Patch 姿态估计结果簇合和融合来确定最终姿态，经过定性和定量实验证明 HybridFusion 达到了近期点云同源性配准的最好表现。

Apr, 2023

HD2Reg: 点云配准的层次结构描述符与检测器

本文提出了一种框架，该框架明确提取双层描述符和检测器，并与之进行粗糙到精细的匹配，以达到准确和鲁棒的点云配准。实验表明该方法的效果优于其他基于关键点的方法。

May, 2023

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

APR：通过点云重构进行在线远程点云配准

本文提出一种名为 APR 的新型特征提取框架，该框架利用自编码器设计重建了一个带有几个帧的密集聚合点云，从而提取具有丰富局部几何信息的特征进行在线的远程点云配准。实验结果表明，APR 较 KITTI 和 nuScenes 数据集上的其他特征提取器表现更优秀。

May, 2023

陆地激光扫描对的实用最佳注册

本研究针对地面激光雷达扫描的点云数据注册问题，提出了一种基于优化算法的新方法，通过提出的确定性选择方案和快速的分支定界算法，可以有效、准确地实现点云的最优对齐。

Nov, 2018

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

远距离点云配准的密度不变特征

通过群组对比学习方案，提出了一种提取密度不变几何特征的方法，用于远距离室外 LiDAR 点云的注册，实验证明此特征提取器相比现有方法更强大且密度不变，使得远距离场景的注册召回率分别提高了 40.9% 和 26.9%。

Jul, 2023

L-PR：利用 LiDAR 基准标记进行无序低重叠多视图点云配准

本研究介绍了一种名为 L-PR 的新型框架，利用 LiDAR 基准标志（类似于 AprilTag 和 ArUco 标记）来注册无序的低重叠多视点点云。通过改进的自适应阈值标记检测方法和二级图优化，该方法在准确性、重建质量、定位准确性和对恶化场景的鲁棒性等四个方面表现优越。我们将方法和数据集开源，链接：https://this_URL。

Jun, 2024