Jun, 2024

L-PR：利用 LiDAR 基准标记进行无序低重叠多视图点云配准

PDF
TL;DR本研究介绍了一种名为 L-PR 的新型框架，利用 LiDAR 基准标志（类似于 AprilTag 和 ArUco 标记）来注册无序的低重叠多视点点云。通过改进的自适应阈值标记检测方法和二级图优化，该方法在准确性、重建质量、定位准确性和对恶化场景的鲁棒性等四个方面表现优越。我们将方法和数据集开源，链接：https://this_URL。
point cloud registrationl-prlidar fiducial markersmultiview point cloudsgraph optimization
发现论文，激发创造
  • 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

  • 密度自适应点集配准

    本研究利用基于期望最大化的框架最小化 KL 距离，构建点云场景的潜在概率分布模型，使其能够适应密度变化，并成功在多种真实世界的激光雷达数据集上超越现有的多视角概率方法，而无需重新采样。

    Apr, 2018

  • 陆地激光扫描对的实用最佳注册

    本研究针对地面激光雷达扫描的点云数据注册问题，提出了一种基于优化算法的新方法，通过提出的确定性选择方案和快速的分支定界算法，可以有效、准确地实现点云的最优对齐。

    Nov, 2018

  • 学习多视角三维点云配准

    本文介绍了一种新颖的端到端可学习的多视角三维点云拼接算法，该算法集成了两阶段流程（成对对准和全局优化），并且是当前领先技术的改进。

    Jan, 2020

  • 可靠姿态图初始化的多视角点云强匹配及历史重加权

    本文提出了一种新的多视点点云配准方法，使用神经网络评估扫描对之间的重叠，构建稀疏的姿态图，并在 IRLS 方案中设计了一种新的历史加权函数以提高对异常边缘的强鲁棒性，实验结果表明，相对于现有方法，我们的方法在 3DMatch 数据集上实现了 11% 的更高配准召回率，在 ScanNet 数据集上实现了约 13% 的更低配准误差，降低了约 70% 的必要的成对注册。

    Apr, 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

  • APR：通过点云重构进行在线远程点云配准

    本文提出一种名为 APR 的新型特征提取框架，该框架利用自编码器设计重建了一个带有几个帧的密集聚合点云，从而提取具有丰富局部几何信息的特征进行在线的远程点云配准。实验结果表明，APR 较 KITTI 和 nuScenes 数据集上的其他特征提取器表现更优秀。

    May, 2023

  • 无监督点云配准的可靠内点评估

    该论文提出了一种基于邻域一致性的可靠内点评估方法，以提高无监督点云配准的精度，并利用匹配映射细化模块和内点评估模块配合实现精确配准，最终使用加权 SVD 算法进行转换估计。

    Feb, 2022

  • 多种扫描几何形状的点云自动粗配准：探究检测器和描述子

    通过比较不同传感器、关键点检测器和特征描述符的表现，在使用点云的范围图像和最佳特征进行关键点匹配的基础上，实现来自不同测量几何的点云快速对齐，从而得出 NARF 特征能够检测更多关键点，并在这种情况下实现更快的自动对齐过程，而关键点检测器和特征的组合对自动对齐的准确性影响相似。

    Aug, 2023

  • PREDATOR: 低重叠 3D 点云注册

    我们引入了 PREDATOR 模型，这是一种针对点云配对注册的模型，通过深度注意重叠区域来实现，其重要特点是重叠注意力块用于两个点云的潜在编码之间的早期信息交换，从而可以预测哪些点不仅很重要，而且位于两个点云之间的重叠区域，大大提高了匹配的准确性，这项工作在低重叠情况下成功匹配率提高了 20％以上，在 3DMatch benchmark 上也创造了新的纪录，注册召回率为 89％。

    Nov, 2020