干货！基于深度空间一致性的鲁棒点云配准算法

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