在大量异常值存在的情况下,我们提出了一种用于 3D 点集配准的健壮方法,其中第一个贡献是使用截断最小二乘(TLS)成本重新制定了配准问题,使得估计对大量虚假对应不敏感;第二个贡献是解耦旋转、平移和缩放估计的通用框架,允许按级联顺序解决三个转换。
Mar, 2019
提出了一个名为 TEASER 的算法,它使用 TLS 成本和图论框架来解决 3D 点集之间的快速且可靠的配准问题,能够在存在大量离群值的情况下有效地工作。该算法还提供了理论误差界限,并且在标准和 3DMatch 基准测试中都表现出跨越式的性能优势。
Jan, 2020
本文提出了一种快速并具有鲁棒性的 Iterative Closest Point 方法,通过将点对点 ICP 视为主性 - 最小化算法,并采用 Anderson 加速方法加速其收敛速度并引入基于 Welsch 函数的鲁棒误差度量。在具有噪声和部分重叠的数据集上,我们实现了与稀疏 ICP 相似或更好的准确性,而速度至少快一个数量级。最后,我们将鲁棒的形式扩展到了点对平面 ICP,并使用类似的 Anderson 加速 MM 策略解决了相应的问题。
Jul, 2020
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
本文提出一种基于刚性变换的非刚性配准算法,通过可微分的损失函数进行监督学习,并在多个数据集上的实验结果表明其优于现有最先进算法。
Nov, 2020
基于混合整数规划的稀疏对应关系生成方法,结合投影拉普拉斯 - 贝尔特拉米算子、旋转感知正则化器,实现全局最优解,适用于非刚性形状匹配,并具有高效性能。
Aug, 2023
本文提出一种基于全局平滑健壮估计器的鲁棒非刚性配准公式,可处理离群值和部分重叠的情况,并采用主导最小化算法解决问题,结果表明该算法在配准精度和计算速度方面优于现有鲁棒方法。
Apr, 2020
研究点集注册问题中的异常值如何影响两个点云之间的最优旋转问题,比较了基于非凸优化和凸松弛的方法,实验发现,特殊正交群上直接最小化最小不平方偏差能够更好地处理异常值和恢复旋转。
本文报道了一种新颖的无模板单目非刚性表面重建方法,称为可扩展单目表面重建(SMSR),它结合了多种算法的优势,可以处理不同类型的运动和变形,并在各种数据集上始终达到最先进的准确性。
Oct, 2017
该研究提出了第一个通用且可扩展的框架,用于设计可靠的几何感知算法,以在存在异常值的情况下证明其准确性,并在六个几何感知问题上进行了评估。
Sep, 2021