零样本点云配准
通过利用丰富的几何信息,我们提出了一种新的解决方案 Q-REG,用于从单个对应关系估计刚性姿态,并在 3DMatch、KITTI 和 ModelNet 基准测试中取得了最新的最佳成果。
Sep, 2023
提出了一个基于特征度量的点云配准框架,通过最小化特征度量投影误差来实现优化,该方法具有噪声、异常值和密度差异的鲁棒性,并且不需要对应搜索,因此速度很快。实验证明,该方法具有更高的准确性和鲁棒性,并可处理噪声和密度差异,同时能解决同源和异源点云配准问题。
May, 2020
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
本研究提出了一种名为几何变换器的方法,通过学习几何特征进行超级点匹配,从而实现点云配准。该方法不需要检测重复的关键点,并在低重叠情况下表现良好,能够提高内点比率和注册召回率。
Feb, 2022
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
该研究论文介绍了一种旨在同时解决大规模视觉模型在生物识别中的三大弱点的识别框架 / 策略,首先它仅依赖于用于学习目的的合成样本,然后使用生成策略合成大量包含所需多个协变量(姿势、服装、距离、视角、光照、遮挡等)的样本,最后利用这些数据来学习在图像对之间执行局部配准的模型,建立身体部位的正向对应关系。
Mar, 2024
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