点云配准论文阅读笔记

最新推荐文章于 2024-04-20 09:31:01 发布

hhhhhhpw

最新推荐文章于 2024-04-20 09:31:01 发布

阅读量3.3k

点赞数 8

文章标签：计算机视觉

本文链接：https://blog.csdn.net/m0_46471042/article/details/106648070

版权

本文总结了多篇关于点云配准的深度学习论文，包括RPM-Net、多视图3D点云注册、D3Feat、Deep Closest Point和DeepVCP等方法。这些方法通过学习特征表示、注意力机制和端到端网络优化，提高了配准的准确性和鲁棒性，解决了初始化敏感、噪声和局部极小值的问题。点云配准的关键在于特征检测和描述，以及基于软匹配的对应关系学习。这些研究展示了深度学习在克服传统ICP方法局限性方面的潜力。

摘要由CSDN通过智能技术生成

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
在这里插入图片描述

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。
原文的翻译和讲解在这里插入图片描述

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

最低0.47元/天解锁文章

hhhhhhpw

关注

8
点赞
踩
64

收藏

觉得还不错? 一键收藏
0
评论
点云配准论文阅读笔记

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
复制链接

扫一扫