CVPR 2022 | 二阶相似性测度，让传统配准方法取得比深度学习更好的性能，并达到深度学习的速度...

关注公众号，发现CV技术之美

本文分享 CVPR 2022 论文『SC^2-PCR: A Second Order Spatial Compatibility for Efficient and Robust Point Cloud Registration』，二阶相似性测度，让传统配准方法取得比深度学习更好的性能，并达到深度学习的速度。

详细信息如下：

• 论文作者：陈志，孙琨，杨帆，陶文兵
  

• 通讯单位：华中科技大学，中国地质大学
  

• 论文链接：https://arxiv.org/abs/2203.14453

• 项目链接：https://github.com/ZhiChen902/SC2-PCR

      01      

引言

针对3D点云配准中的误匹配消除任务，来自华中科技大学的研究团队提出了一种基于二阶空间兼容性度量的点云配准方法。具体来说，算法提出了一种二阶空间兼容性度量来计算匹配对之间的相似度，考虑了匹配对之间的全局兼容性而不是局部一致性，从而能够更加准确地度量正确匹配和错误匹配之间的差异。

论文从概率的角度来分析采样的有效性，并证明了所提出的二阶度量能够大幅度提高采样内点集合的概率。相比传统的随机采样策略而言，仅通过少数几次采样就能够得到有效的内点集合估计出点集之间的几何变换。基于所提出的二阶空间兼容性度量，论文设计了一套基于种子点的快速匹配方法。与当前基于学习的方法和非学习的方法相比，均取得了更好的性能。

该方法最大的特点是不需要样本进行学习，因此没有深度学习方法通常存在的泛化性问题，但具有比深度学习方法更好的性能。在计算效率方面也表现突出，接近当前最快的算法。同时，论文也从实验验证了所提出的度量具有很好的可扩展性，可以直接与深度学习框架相结合。

      02      

研究动机

三维刚体点云配准旨在恢复两个具有重叠区域的点云之间的刚体变换。它是三维重建、即时定位与地图构建（SLAM）、虚拟现实等领域的重要基础，是计算机视觉中的基本问题。当前最常用的方法通过两步法进行点云配准：1、先为点云中的每个点提取局部特征描述子，并通过特征匹配建立粗略的点云对应关系；2、通过稳健的模型估计算法，从含有误匹配（外点）的粗匹配关系中寻找正确匹配（内点）并估计刚体变换。本研究主要关注如何在粗匹配中含有大量错误匹配的情况下进行点云配准。

RANSAC[1]最早采用迭代的策略来进行模型估计。然而，它需要大量的采样来保证算法的收敛，并且在内点率过低的情况下并不能保证一定能找到正确解。一些方法通过空间兼容性来解决RANSAC的问题，它利用刚体变换的一个性质：空间中任意两个点经过刚体变换之后长度不变。

因此，一阶空间兼容性度量认为如果两个匹配对之间的空间距离差（如图1（a）中的 或 ）越小，他们的相似度越大。由于正确匹配对（内点）之间的空间距离差理论上应为0，这样两个内点的相似性就会比较大，从而在内点之间形成聚类效应。

   图1：一阶与二阶兼容性度量对比。（a）两对点云之间的匹配关系（红色为错误匹配，绿色为正确匹配）（b）一阶兼容性矩阵；（c）二值化一阶兼容性矩阵；（d）二阶兼容性矩阵

然而一阶兼容性存在模糊性，即外点也有可能与内点有很高的相似度。为了直观地说明这个问题，我们在图1（a）中展示了两对点云之间的匹配关系（红色为错误匹配，绿色为正确匹配）。同时，我们在图1