1.《RPM-Net: Robust Point Matching using Learned Features》
CVPR2020
论文链接:http://arxiv.org/abs/2003.13479v1
代码链接:https://github.com/yewzijian/RPMNet
解决了点云刚性配准任务中,对初始刚性变换和噪声/离群点敏感的问题。
基于空间距离的最近点对应的硬赋值对初始刚性变换和噪声/离群点敏感,往往导致ICP收敛到错误的局部极小值。RPM比ICP更为健壮,但它仍然对初始化和局部极小值敏感,因为仍然仅根据空间距离获得点对应关系。
本文提出了RPM-Net,一种对初始化不敏感的基于深度学习的刚性点云配准方法。RPM-Net对RPM做了两个修改:1)将基于空间的距离量度换成了基于混合特征距离;2)在每次迭代中都要重新计算参数α,β.
网络使用可微Sinkhorn层和退火算法从空间坐标和局部几何中学习的混合特征中获得点对应的软分配。为了进一步提高配准性能,论文引入二次网络来预测最优退火参数。
与某些现有方法不同,RPM-Net可以处理缺少的对应关系和部分可见性的点云。实验结果表明,与现有的非深度学习和最新的深度学习方法相比,RPM-Net达到了SOTA。
原文的翻译和讲解
2.《Learning multiview 3D point cloud registration》
CVPR2020
论文链接:https://arxiv.org/abs/2001.05119v2
代码链接:https://github.com/zgojcic/3D_multiview_reg