点云配准的部分传输

Sep, 2023

Partial Transport for Point-Cloud Registration

Yikun Bai, Huy Tran, Steven B. Damelin, Soheil Kolouri

TL;DR通过最优传输理论，我们提出了一种基于最优部分传输问题的完整的非刚性注册方法集，并通过分层切片的方式扩展了算法以获得显著的计算效率，从而实现了快速且稳健的非刚性注册算法。

Abstract

point cloud registration plays a crucial role in various fields, including robotics, computer graphics, and medical imaging. This process involves determining spatial relationships between different sets of points, typically within a 3D space. In real-world scenarios, complexities aris

point cloud registration non-rigid registration optimal transport problem partial transport problem computational efficiency

发现论文，激发创造

一次性局部到局部配准的三维 - 三维对应关系学习

本文提出了一种基于 Optimal Transport layer 和 outlier bins 的 OPRNet 框架，能够以一次迭代的方式实现学习型 partial-to-partial registration，这可以在降低网络复杂度的同时显著提高配准精度

Jun, 2020

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

点云配准综述

本篇综述介绍了同源和异源点云配准的优化和深度学习方法，并总结了二者之间的关系。同时，本文还创建了一套新的评估基准来解决异源挑战，并讨论了不同领域中的点云配准应用。最后，本文提出了这个快速发展领域的潜在研究方向。

Mar, 2021

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

利用非凸性最大化点集配准的稳健性

研究点集注册问题中的异常值如何影响两个点云之间的最优旋转问题，比较了基于非凸优化和凸松弛的方法，实验发现，特殊正交群上直接最小化最小不平方偏差能够更好地处理异常值和恢复旋转。

Apr, 2020

应用于 PU 学习的部分最优传输

本文就偏沃瑟斯坦问题和 Gromov-Wasserstein 问题提出了精确算法，并以正负样本不平衡学习和不同领域点云为例证明了它们在相应场景下的有效性。

Feb, 2020

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

全局不变性下的最优输运

该论文提出了一种在潜在的全局转换情况下进行离散最优传输的通用框架，并通过采用灵活类的不变性来选择转换进行联合最优化求解，成功解决了包括无监督词汇翻译基准在内的各种任务。

Jun, 2018

自点流：基于最优传输和随机游走的自监督点云场景流估计

本文提出一种基于最优传输的自监督方式，利用多个描述符构建传输成本矩阵并通过质量相等约束鼓励一对一匹配，同时引入随机漫步模块来鼓励伪标签的局部一致性，通过在 FlyingThings3D 和 KITTI 数据集上的全面实验表明，该方法在自监督学习方法中取得了最先进的表现，甚至表现与一些监督学习方法相当，而不需要任何地面真实流进行训练。

May, 2021

利用黎曼优化进行代数变种的注册

我们研究了点云配准问题，即在不同坐标系中表示同一物体的两个点云之间寻找变换的任务。我们的方法不基于点对点的对应，而是假设并利用了数据的低维非线性几何结构。首先，我们通过在 Grassmann 流形上求解优化问题，利用代数变量逼近每个点云。然后，我们在正交群上求解优化问题，找到使两个代数变量重合的变换（旋转 + 平移）。我们使用二阶 Riemannian 优化方法来解决这两个步骤。通过在真实数据和合成数据上进行数值实验，我们得出鼓舞人心的结果。我们的方法在两个点云描述物体的不同部分（甚至可能没有重叠的情况）时特别有用，前提是该物体的表面可以用一组多项式方程来很好地近似。第一步骤 —— 逼近 —— 是独立感兴趣的，因为它可以用于去噪属于代数变量的数据。我们提供了 Stein 的无偏估计的统计保证来估计去噪的误差。

Jan, 2024