Q-REG: 基于曲率的端到端可训练点云配准
该论文提出了一种新的端到端方法来直接预测配准操作中的对应点,利用 transformer 网络结构中的自注意力和交叉注意力机制来替代传统的特征匹配和 RANSAC 算法,该方法在 3DMatch 和 ModelNet 基准上均取得了最先进的成绩。
Mar, 2022
本研究提出了一种零样本点云配准方法 ZeroReg,通过将图像特征从关键点传递到点云中,利用 3D 几何邻域信息构建时引入的图像特征来解决传统方法中需要在特定数据集上进行训练的问题,因此,ZeroReg 可在点云配准任务中实现出色的性能。
Dec, 2023
该研究提出了一种新的注册框架 HumanReg,通过学习两个人体点云之间的非刚性变换,引入了身体先验来有效处理这种类型的点云。与大多数现有的需要昂贵的点对点流注释的监督注册技术不同,HumanReg 可以以自我监督的方式进行训练,借助一组新的损失函数。为了使我们的模型更好地收敛于实际数据,我们还提出了预训练策略以及一个由动态、稀疏人体点云及其自动生成的地面真值注释组成的合成数据集(HumanSyn4D)。我们的实验表明,HumanReg 在 CAPE-512 数据集上实现了最先进的性能,在另一个更具挑战性的真实世界数据集上实现了定性结果。此外,我们的消融研究证明了合成数据集和新的损失函数的有效性。我们的代码和合成数据集可在此 https 网址找到。
Dec, 2023
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
本文介绍一种使用 GCNN 作为基础的鲁棒非刚性点云配准方法,该方法采用从粗到细的配准策略,在处理不同的挑战时实现高精度且鲁棒性高的配准,并具有计算效率高的特点。
Jun, 2023
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
提出了一种新型的鲁棒的三维点云配准框架,该框架结合了虚拟点方法和修正化的虚拟对应点方法。其中,利用估计的软匹配矩阵建立初始虚拟对应点,之后通过校准步骤形成修正化的虚拟对应点,并运用混合损失函数来保持形状和几何结构的一致性,从而实现了快速而准确的点云配准。
Mar, 2022
DeepICP 是一种端到端的学习框架,采用多种深度神经网络结构来实现 3D 点云的配准,并集成了局部相似性和全局几何约束以提高配准精度和鲁棒性。
May, 2019