点云配准网络 PCRNet: Point Cloud Registration Network using PointNet Encoding 2019

本文使用PointNet对点云提取全局特征，不需要计算点云之间的一一对应关系，因此能够实现快速的点云配准。

PCRNet根本没有用到局部特征，因此在速度上有优势，精度上会有所妥协。加入了局部特征信息的模型应该会有更高的精度。

PCRNet 的另一特点是其迭代版本鲁棒性很强，可以对类内不同实例进行鲁棒的配准，其他配准方法不行，还是只使用了全局特征的原因。

模型整体结构简单，可以快速上手。

PCRNet

1. 输入为template点云和source点云，首先使用一个5层的MLP对输入的点云进行处理，然后经过最大池化层。最大池化层的降采样操作可以使得网络对输入点的顺序保持不变性。
2. 然后使用PointNet提取点云信息的全局特征，即图中的函数\Phi()Φ()。
3. 将两个全局特征进行连接，然后使用5层的全连接网路对相对位姿进行预测。
   这里输出的格式是将平移量和旋转量合并在一起同时输出的，即7个数据，前三个是平移量，后面4个经过归一化得到单位四元数。

可以看出，PCRNet相比于其他点云配准方法结构更加简单，由于是非迭代的single-pass结构，其速度也非常快。

如果将模型里面的FC网络换成是传统的LK算法，模型就与PointNetLK非常相似了（都是使用MLP和池化层对点云进行处理，然后进行相对位姿预测）

Iterative PCRNet

由于PCRNet的简单高效，将其反复进行配准就可以得到迭代式的配准模型。
得益于迭代方式更加精确，为了提高迭代的效率，作者将PCRNet中的5层FC改成了3层

计算最终的相对位姿变换就是将迭代过程中的变换矩阵累乘：
\mathbf{T}=\mathbf{T}(n) \times \mathbf{T}(n-1) \times \cdots \times \mathbf{T}(1)T=T(n)×T(n−1)×⋯×T(1)

##损失函数：
两个网络的损失函数是一样的，使用了Earth Mover’s Distance（搬土距离）。
通过实验发现其效果优于pose loss，以及Frobenius norm。
\operatorname{EMD}\left(\mathbf{P}_{S}^{\mathrm{est}}, \mathbf{P}_{T}\right)=\min _{\psi: \mathbf{P}_{S}^{\mathrm{est}} \rightarrow \mathbf{P}_{T}} \frac{1}{\left|\mathbf{P}_{S}^{\mathrm{est}}\right|} \sum_{x \in \mathbf{P}_{S}^{\mathrm{est}}}\|x-\psi(x)\|_{2}EMD(PSest​,PT​)=ψ:PSest​→PT​min​∣PSest​∣1​x∈PSest​∑​∥x−ψ(x)∥2​
其中P_{S}^{est}PSest​是将source点云根据预测的转移矩阵变换后的点云，理想情况下应当与Template点云P_TPT​重合。

实验评估：ModelNet40

• 迭代版本的PCRNet利用对象的特殊性能够产生精确的结果。
• PCRNet计算速度很快，但在精确度上有点妥协。
• PointNetLK表现出良好的泛化性，但对于噪音鲁棒性不够.
• ICP对于大型点云来说对象形状不可知且速度较慢
• Go-ICP的计算成本很高速度慢。

使用AUC作为评估指标：AUC是对配准成功的一种度量，因此AUC的值越高，网络的性能越好。

实验一 泛化性/特异性

在未见类别上进行测试（泛化性测试）：

• ICP ：0.802,
• iterative PCRNet：0.682
• PointNetLK ：0.998.

在训练数据集上进行测试（特异性测试）：

• ICP ：0.862
• iterative PCRNet：0.972
• PointNetLK ：0.998
• PCRNet：0.998
  结果说明当与对象的特定信息一起训练时，PCRNet 和迭代PCRNet的精度提升更大（相比ICP）
  PointnetLK相比PCRNet有更好的泛化性，且与ICP相比精度更高。作者认为这是因为PointNetLK只需要学习点云特征表示，而PCRNet需要学习整个配准任务，网络的学习容量限制了性能。

噪声鲁棒性

PCRNet的鲁棒性很好

速度

模型替换实验

作者使用pointNet中的语义分割网络对真实点云数据进行分割，然后拿出其中属于的椅子的点云，使用迭代PCRNet将模型库中的椅子点云与其进行配准，然后把原来的点云替换为模型点云：

Go-ICP 和ICP的结果差不多所以加入了新的对比方法MIP。
中间两个方法都失败了，只有迭代PCRNet配准成功了
这是因为ICP，Go-ICP和MIP要求模板和源必须是同一对象，并且同一类别的对象之间的任何变化都可能导致配准失败；
而迭代PCRNet对于相同类别模型中的形状变化具有鲁棒性，因此可以产生更好的结果