Apr, 2024

学习鲁棒的多实例点云配准中的实例感知对应关系

PDF
TL;DR通过 MIRETR，即 Multi-Instance REgistration TRansformer 方法，我们提出了一种粗到细的方法来提取具有实例感知的对应关系，通过联合学习实例感知超点特征和预测每个实例的掩码，从而最小化关注范围外的影响，提取可靠的超点对应关系，并根据实例掩码将超点对应关系扩展到实例候选项，最后通过高效的候选项选择和精调算法获取最终的配准结果。在三个公共基准测试中进行了广泛实验，结果表明我们的方法的有效性。特别是在具有挑战性的 ROBI 基准测试中，MIRETR 在 F1 得分上超过了现有技术 16.6 个点。
multi-instance point cloud registrationpoint correspondenceinstance-aware correspondencesinstance masksregistration algorithm
发现论文，激发创造
  • 高效对应聚类的多实例点云配准

    在点云匹配中，以距离不变性矩阵为基础进行聚类，实现了多实例姿态估计并剔除离群点的目标，其可靠性和效率均优于现有方法。

    Nov, 2021

  • REGTR: 基于 Transformer 的端到端点云对应

    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

  • 快速而坚固的点云配准的几何变换器

    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

  • GeoTransformer: 快速且鲁棒的点云配准算法与几何变换

    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

  • 2D3D-MATR: 图像与点云之间基于 2D-3D 匹配变换器的无检测配准

    采用 2D3D-MATR 方法，我们提出了一种无需检测的方法，用于图像和点云之间的准确且鲁棒的配准。该方法在粗匹配的基础上，通过学习全局上下文约束和跨模态相关性，通过 transformer 实现多尺度金字塔和图像块焦点学习，解决了尺度不确定性问题，从而获得了比之前的最优模型 P2-Net 更高的配准率和稳定度。

    Aug, 2023

  • CFI2P: 粗到精的跨模态对应学习用于图像到点云匹配

    本研究提出了一种基于粗 - 精匹配的框架，在该框架中，将图片和点云转化为局部表示，并利用了 attention 来捕捉全局和跨模态上下文，并通过设计良好的采样和精细匹配来细化点到像素的对应关系，从而解决了图像与点云匹配的问题，并在大规模室外数据集上取得了优于现有方法的结果。

    Jul, 2023

  • CoFiI2P：图像到点云的粗到精对应关系注册

    该研究论文介绍了 CoFiI2P，一种新颖的图像到点云注册网络，通过层次化特征提取和鲁棒特征对应的建立，以获得全局最优解决方案，并在 KITTI 数据集上展示了相对旋转误差（RRE）为 2.25 度和相对平移误差（RTE）为 0.61 米的显著提升。

    Sep, 2023

  • 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

  • COTR: 跨图片匹配的对应转换器

    本研究提出了一种新颖的基于深度神经网络的图像对应关系发现框架，可以根据给定的两幅图像和一个查询点在其中一个图像中找到其在另一个图像中的对应关系，并可以检索稀疏或密集的对应关系，同时在推理时，递归地以估计为中心缩放，形成了多尺度通道，从而能够提供高度准确的对应关系。本方法在多个数据集和任务中明显优于现有技术，并不需要针对特定数据集进行重新训练。

    Mar, 2021

  • CoFiNet：可靠的粗到细的对应关系用于鲁棒的点云配准

    本文介绍了一种名为 CoFiNet 的粗糙到精细网络技术，该技术无需进行关键点检测，而是通过权重方案从粗糙到精细地提取点云之间的对应关系并进行匹配。在标准测试中，CoFiNet 在室内和室外场景上都比现有方法表现优越，特别是在 3DLoMatch 上，其 Registration Recall 性能提高至少 5％，而参数至多只有现有方法的三分之二。

    Oct, 2021