点击蓝字
关注我们
AI TIME欢迎每一位AI爱好者的加入!
去除错误的匹配对是基于特征的点云配准方法成功的关键步骤之一。尽管在这一领域引入深度学习技术越来越受欢迎,但是由点云之间的刚体变换特性所带来的空间一致性,却几乎没有在现有的学习框架中受到任何关注。在本文中,我们提出了PointDSC,一种新的深度神经网络,它显式地结合了空间一致性来去除错误的匹配对。首先,我们提出了一个非局部特征聚合模块,通过特征和空间一致性加权,用于为输入的匹配对提取特征。其次,我们构造了一个可微的谱匹配模块,在空间一致性的监督下,从特征中估计每个匹配对的是正确匹配对的概率。在相对适中的计算开销下,我们的方法在多个真实数据集上比最先进的手工和基于学习的outlier rejection方法有显著优势。我们还通过结合PointDSC和不同的3D局部描述子展示了PointDSC模型广泛的应用性。
本期AI TIME PhD直播间我们有幸邀请到香港科技大学计算机系博士生——白旭阳,为我们带来报告分享——《PointDSC: Robust Point Cloud Registration using Deep Spatial Consistency》。
香港科技大学计算机系在读博士,师从戴秋兰教授。主要研究方向为三维视觉,曾在三维点云配准、点云语义分割和图像配准领域发表论文,CVPR2020的论文入选口头报告,本次报告的内容为CVPR2021上关于点云配准的一篇文章。
个人主页:https://xuyangbai.github.io/
01
背 景
基于特征匹配的点云配准方法通常分为两步:①局部描述子的