一项关于大规模几何和时间变化下的3D点云配准的时空基准测试
本文提出了一种'粗到精'的全局配准算法,通过利用较小尺度上的健壮配准来引导较大尺度上的新对应和结构约束,解决手持相机的RGB-D图像长视频序列全局一致3D模型重建的问题,并基于SUN3D数据集中的25个场景提供了规模达10,401个手动点击的点对应关系的基准测试,实验证明我们的算法比以前的方法更好。
Jul, 2016
这篇论文介绍了一个城市建模的数据集Building3D,它包括超过160,000幢建筑物的点云、网格和线框模型,覆盖爱沙尼亚的16个城市,面积约为998平方公里。作者通过对先进算法的评估发现Building3D存在高内类别差异、数据不平衡和大规模噪声等挑战。这个数据集是首个最大规模的城市建模基准,可以用于监督学习和自监督学习方法的比较。作者认为Building3D将促进未来在城市建模、航路规划、网格简化和语义/部分分割等领域的研究。
Jul, 2023
本论文研究了点云配准中准确提取对应关系的问题,通过绕过重复关键点的检测,利用超点实现了匹配,并提出了一种名为几何变换器(GeoTransformer)的方法来学习几何特征,从而使得在低重叠情况下具有鲁棒性。实验证明该方法在各种测试场景下都表现出了显著的准确性和效率。
Jul, 2023
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。
Sep, 2023
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
我们研究了3D注册问题的一个变种,名为多模型3D注册。在多模型注册问题中,我们给出两个描绘了不同姿态下一组物体(可能包括属于背景的点)的点云,并且我们希望同时重建出这两个点云之间所有物体的运动。该方法通用于标准的3D注册,其中需要重建出单个姿态,例如传感器描绘静态场景的运动。此外,它为相关的机器人应用提供了数学上的基础,例如,机器人上的深度传感器感知动态场景,并且目标是在同时恢复出自身的运动(从静态部分场景中)以及所有动态物体的运动。我们假设一个基于对应关系的设置,在两个点云之间存在着匹配关系,同时考虑了这些对应关系受到异常值干扰的实际情况。然后,我们提出了一种基于期望最大化(Expectation-Maximization)的简单方法,并建立了EM方法收敛到真实结果的理论条件。我们在从桌面场景到自动驾驶场景的模拟和实际数据集上评估了该方法,并证明其与最先进的场景流方法相结合时的有效性。
Feb, 2024
我们研究了通过实体巡游进行的3D多目标重新识别任务,提出了3D Semantic MapNet (3D-SMNet)模型,它包括一个操作于RGB-D视频的3D物体检测器和一个可微的物体匹配模块,通过生成的实验和真实数据的联合训练,在真实世界的重新布置场景中取得了显著的改进。
Mar, 2024
本研究解决了在三维颜色地图中有效进行视觉定位的问题,提出了一种跨模态全球视觉定位系统。通过点云、网格和神经辐射场(NeRF)三种最新方法生成的数据库,本系统能够在多种环境中实现超过55%的定位成功率,其中NeRF合成图像的平均成功率达到72%,显示出其在全球定位中的潜在应用价值。
Aug, 2024
该研究解决了非刚性点云配准中缺乏全面基准的问题,提出了SynBench,这是一个包含多种挑战的新的非刚性点云配准数据集。通过提供真实对应点及其在变形前后的情况,SynBench使得不同方法间的公平比较成为可能,推动了该领域的进一步研究。
Sep, 2024