SPEAL：基于骨骼先验的注意力学习的跨源点云配准

Dec, 2023

SPEAL：基于骨骼先验的注意力学习的跨源点云配准

SPEAL: Skeletal Prior Embedded Attention Learning for Cross-Source Point Cloud Registration

Kezheng Xiong, Maoji Zheng, Qingshan Xu, Chenglu Wen, Siqi Shen...

TL;DR本文介绍了一种利用骨架表征进行点云配准的新方法 SPEAL，通过提取点云的骨架特征和拓扑结构，获得点云的几何复杂性，进而提高点云配准的性能。作者还构建了一个名为 KITTI CrossSource 的大规模跨源点云数据集，用于评估该方法在跨源和同源数据集上的优越性和鲁棒性。据我们所知，这是第一个利用骨架几何先验进行点云配准的方法。

Abstract

point cloud registration, a fundamental task in 3D computer vision, has remained largely unexplored in cross-source point clouds and unstructured scenes. The primary challenges arise from noise, outliers, and var

point cloud registration cross-source point clouds geometric intricacy skeletal representations point cloud dataset

发现论文，激发创造

通过显著点分析实现无监督点云配准 (SPA)

该论文提出了一种名为显著点分析（SPA）的无监督点云配准方法，该方法使用少量显著点可以有效地配准两个点云，相比于基于深度学习的点云配准方法，该方法具有更少的训练时间和模型大小，并且在测试 ModelNet-40 数据集的实验中表现良好。

Sep, 2020

Point2Skeleton: 从点云学习骨骼表示

使用无监督学习方法，通过中轴变换来捕捉点云的内在几何和拓扑特性，从而产生更为通用的骨架结构，并利用此学习结果可以促进点云的表面重建和分割。

Dec, 2020

跨源点云配准：挑战、进展与前景

本文系统回顾了 CSPC（Cross-source Point Cloud）配准的特点，关键挑战，研究进展和应用领域，并讨论了该领域的重要研究方向和多个传感器结合优势。

May, 2023

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

保留宏观和微观结构的跨源点云配准系统化方法

提出了一种系统的方法来注册来自不同来源的点云，本方法对宏观和微观结构进行了提取，并建立了一个图匹配方法来考虑全局几何约束条件以实现鲁棒的点云注册，实验结果显示，与其他方法相比，本方法在同源和异源数据集中的注册均取得了良好的结果。

Aug, 2016

SPE-Net: 通过提高旋转鲁棒性增强点云分析

本文提出了一种针对三维点云的新型深度架构，称为 SPE-Net，使用内嵌 “选择性位置编码（SPE）” 程序，依靠注意机制有效地关注输入的旋转条件，从而提高优化的性能和鲁棒性，并且相对于 SOTA 方法在旋转和非旋转的数据上都显示出明显的改善。

Nov, 2022

大规模室外点云配准的深度语义图匹配

本文将点云配准问题视为语义实例匹配和配准任务，提出了一种用于大规模室外点云配准的深度语义图匹配方法。通过利用大规模点云语义分割网络获得 3D 点云的语义类别标签，并使用欧氏聚类算法将具有相同类别标签的相邻点进行聚类。基于语义实例的空间相邻关系构建了语义邻接图，通过图卷积网络学习了几种高维特征，包括几何形状特征、语义分类特征和空间分布特征，同时应用了注意力机制进行增强。将语义实例匹配问题建模为一个最优传输问题，并通过最优匹配层进行求解。最后，根据匹配的语义实例，首先通过奇异值分解（SVD）算法获得两个点云之间的几何变换矩阵，然后使用 ICP 算法进行细化处理。实验在 KITTI Odometry 数据集上进行，所提出方法的平均相对平移误差和平均相对旋转误差分别为 6.6cm 和 0.229 度。

Aug, 2023

SEM-GAT：使用学习到的图注意力进行可解释的语义姿态估计

本文提出了一种基于 GNN 的方法，利用语义和局部几何形状来指导可靠点云注册候选项的识别，语义和形态特征作为注册的关键参考点，实现精确的激光雷达姿态估计，我们的轻量级静态图结构通过识别语义实例关系，作为一种归纳偏见，显著减少了点云注册的计算负担，通过连接候选节点和利用跨图的关注机制，我们为所有潜在的注册对应关系计算置信度得分，估计点云扫描之间的位移，我们的流程通过将模型与环境中的局部结构的个体贡献相关联，使模型的性能进行内省分析，提供有价值的系统行为洞察。我们在 KITTI 测距数据集上测试我们的方法，相较于基准方法，实现了竞争性的准确度和更高的轨迹平滑度，同时依赖 significantly fewer network parameters。

Aug, 2023

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

基于聚类的点云表示学习用于三维分析

基于聚类的监督学习方案用于点云分析，通过在点嵌入空间上进行类内聚类来自动发现子类模式，进而重构嵌入空间以提高鲁棒性；该算法在各种 3D 网络架构上表现出明显的改进，并在知名点云分割数据集和 3D 检测中显示出实用性。

Jul, 2023