关键词point set registration
搜索结果 - 6
- 将神经辐射场注册为 3D 密度图像
本文提出了一种使用预训练的 NeRF 模型对 3D 场景进行对齐的方法,该方法通过将传统的关键点检测和点集对齐的流程应用于 3D 密度场来实现。为了在 3D 中描述角点作为关键点,我们建议使用通用的预训练描述符生成神经网络。通过对比学习策略 - CVPRRPSRNet: 使用 Barnes-Hut $2^D$-Tree 表示的端到端可训练的刚性点集配准网络
提出了一种新型的端到端可训练的深度神经网络 RPSRNet,用于刚性点集配准,使用了 $2^D$-tree 表示输入点集,并在神经网络中使用分层深度特征嵌入,包括迭代变换细化模块,可以有效地处理噪声和非均匀采样密度的 LiDAR 等数据,相 - 相干点漂移网络:非刚性点集配准无监督学习
该论文提出了一种名为 CPD-Net 的新方法,利用深度神经网络实现无监督学习,通过学习位移函数来进行非刚性点集配准,解决了现有方法在大数据集实时点集配准中重复独立迭代搜索的问题,从而实现了对未曾见过的点对进行预测。
- 非刚性点集配准网络
该论文介绍了一种基于神经网络的点集配准方法 PR-Net,该方法通过学习训练数据集中的点集的形状描述符,预测了点集之间的空间变换,以最优的方式配准点集,具有较强的鲁棒性,并可以应用于非刚性配准,对于新的点集配准,可以直接使用训练好的模型预测 - CVPR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。
- 点集配准:连贯点漂移
介绍了一种新的概率方法,称为相干点漂移算法(CPD),它适用于刚性和非刚性点集注册,解决了点集注册中的多个因素,包括未知的非刚性空间变换,点集的大维度,噪声和异常值。同时,测试结果表明,CPD 算法具有较高的精度,超过当前最先进的方法。