CVPR 2023 | 无监督深度概率方法在部分点云配准中的应用

已于 2023-12-04 22:17:20 修改
阅读量1.1k 收藏 7
点赞数
分类专栏： # 计算机视觉/三维重建/OOD论文速递 文章标签： 点云配准 CVPR 2023 无监督学习
于 2023-08-08 16:30:58 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qazwsxrx/article/details/132169950
版权
本文介绍了CVPR 2023会议上的一项研究，提出了UDPReg，一种无监督深度概率方法，用于处理部分重叠点云的配准问题。UDPReg利用自我一致性、交叉一致性和局部对比损失函数，实现无监督学习，并在多项基准测试中展现出优秀性能。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

注1：本文系“计算机视觉/三维重建论文速递”系列之一，致力于简洁清晰完整地介绍、解读计算机视觉，特别是三维重建领域最新的顶会/顶刊论文(包括但不限于 Nature/Science及其子刊; CVPR, ICCV, ECCV, NeurIPS, ICLR, ICML, TPAMI, IJCV 等)。本次介绍的论文是：2023年，CVPR, “Unsupervised Deep Probabilistic Approach for Partial Point Cloud Registration”。

CVPR 2023 | 无监督深度概率方法在部分点云配准中的应用

在这里插入图片描述

1. 背景介绍

在计算机视觉和三维重建领域，点云配准是一个基础且重要的任务。点云配准的目标是找到两个或多个点云之间的最优变换，使得它们能在同一坐标系中对齐。但在实际应用中，如机器人视觉、增强现实和自动驾驶等，点云通常只有部分重叠，这给配准任务带来了巨大挑战。早期的方法大多依赖于人工标注数据，但这不仅耗时耗力，而且在处理部分重叠的点云时效果并不理想。为了解决这些问题，2023年的

了解本专栏 订阅专栏 解锁全文 超级会员免费看
CVPR2023 I BUFFER：点云配准中卓越精度、高效性和泛化性的完美平衡
3D视觉工坊
10-16 620
作者：PCIPG-LC | 来源：3D视觉工坊在公众号「3D视觉工坊」后台，回复「原论文」可获取论文pdf和代码链接。添加微信：dddvisiona，备注：3D点云，拉你入群。文末附行业细分群。一个理想的点云配准框架应具备卓越的精度、可接受的效率和强大的泛化能力。然而，这是非常具有挑战性的，因为现有的配准技术要么不够准确，要么效率低下，要么泛化能力差。如何在这三个关键要素之间取得令人满意的平衡仍...
CVPR 2022 | 让传统配准方法超越深度学习方式（速度相当）
jacke121的专栏
05-07 4973
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..
CorrNet3D：基于无监督的非刚性点云配准网络 （CVPR2021）
qq_29462849的博客
08-24 1808
论文、代码地址：在公众号「计算机视觉工坊」，后台回复「CorrNet3D」，即可直接下载。一、引言点云因其能够精准地反映物体的真实尺寸和形状结构而备受人们青睐，被广泛应用于自动驾驶、VR/...
UDPReg：Unsupervised Deep Probabilistic Approach for Partial Point Cloud Registration 论文解读
NPU 研0
07-28 1043
UDPReg的论文解读，包括D2D、OGMM和UGMM的介绍，UDPReg的网络模型架构、损失计算以及相关实验及评估指标的计算。
无监督胶囊网络
zandaoguang的博客
12-17 367
机器之心报道作者：杜伟、小舟这是一种为 3D 点云提出的无监督胶囊架构，并且在 3D 点云重构、配准和无监督分类方面优于 SOTA 方法。理解对象是计算机视觉的核心问题之一。传统方法而言...
UDPReg：无监督深度概率配准框架，效果超强！
soaring_casia的专栏
05-31 1247
这篇无监督的点云配准论文最终的效果不错，通过经典的编码器和解码器架构进行创新，利用GMMs及三种损失函数将无监督的点云配准结果推向新的高度。
CVPR 2021| 基于深度图匹配的鲁棒点云配准框架
3D视觉工坊
03-16 1621
Robust Point Cloud Registration Framework Based on Deep Graph Matching代码地址：在公众号「3D视觉工坊」，后台回复「鲁...
PREDATOR: 低重叠三维点云的配准方法（CVPR2021）
qq_29462849的博客
05-18 1133
代码地址：在公众号「计算机视觉工坊」，后台回复「PREDATOR」，即可直接下载。图1 PREDATOR的将注意力集中在重叠区域，并选择该区域的显著点，以便在低重叠情况下仍能进行鲁棒配准。...
干货！基于深度空间一致性的鲁棒点云配准算法
AITIME_HY的博客
11-30 3637
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...
基于无监督的非刚性点云配准网络——CorrNet3D的编程实现
2301_79326891的博客
08-13 425
具体而言，CorrNet3D使用编码器将输入的点云映射到低维特征空间中，并使用解码器将重建的点云映射回原始空间。此外，CorrNet3D还引入了一个局部采样器，用于从输入点云中提取局部区域，并在这些区域中学习点云之间的关联。在计算机视觉领域中，点云配准是一个重要的任务，旨在将两个或多个点云数据集对齐以获得一致的坐标系。CorrNet3D是一种基于无监督学习的非刚性点云配准网络，通过学习点云之间的关联来实现配准。在CorrNet3D中，局部采样器用于从输入点云中提取局部区域，并用于学习点云之间的关联。
CVPR2024-7-点云配准“Multiway Point Cloud Mosaicking with Diffusion and Global Optimization”
最新发布
weixin_43899239的博客
11-15 1000
文章摘要：我们引入了一种新的(命名为Wendnesday)，旨在将部分重叠的点云集(通常从3d扫描仪或移动rgb-d相机获得)协同对齐到一个统一的坐标系中。我们方法的核心是，这是一种，它迭代地识别重叠和细化注意力分数，采用基于扩散的过程对成对相关矩阵进行去噪以提高匹配精度。进一步的步骤包括从所有点云构建姿势图，执行旋转平均，这是一种新的鲁棒算法，用于在共识最大化和翻译优化方面最佳地重新估计翻译。最后，通过基于扩散的方法联合优化点云旋转和位置。
ICCV 2023 | RegFormer：大规模点云配准的高效Transformer网络
CV_Autobot的博客
08-16 2257
作者|汽车人 编辑|自动驾驶与AI点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【点云处理】技术交流群本文只做学术分享，如有侵权，联系删文❝论文：https://arxiv.org/pdf/2303.12384.pdf代码：https://github.com/IRMVLab/RegFormer作者单位：上海交通大学 中国矿业大学 ETH Zur...
论文解读｜Lepard:学习刚性和变形场景中的部分点云匹配
Hinyeung2021的博客
07-10 612
其中，NFMR表示未配对的点云对的比例，IR表示正确匹配的点云对的比例。2. 引入了一种新的点云匹配基准测试数据集4DMatch和4DLoMatch，这两个数据集包含了非刚性变形的点云，对于点云匹配和配准的研究具有重要意义。1. 提出了一种新型的点云匹配和配准方法Lepard，该方法利用了点云的3D位置信息，通过自注意力机制和交叉注意力机制实现了点云的特征提取和匹配。4. 提出了一种新的点云位置编码方法，该方法通过向量的点积来显式地表示点云之间的3D相对距离信息，从而提高了点云匹配和配准的准确性和鲁棒性。
CVPR2023最佳论文候选：3D点云配准新方法
点云PCL
06-27 3883
文章：3D Registration with Maximal Cliques作者：Xiyu Zhang Jiaqi Yang* Shikun Zhang Yanning Zhang编辑：点云PCL代码：https://github.com/zhangxy0517/3D-Registration-with-Maximal-Cliques.git欢迎各位加入知识星球，获取PDF论文，欢迎转发朋友圈。...
CVPR 2023 | 香港理工提出GrowSP：3D场景的无监督语义分割
阿木寺的博客
06-14 2058
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>【目标检测和Transformer】交流群GrowSP: Unsupervised Semantic Segmentation of 3D Point Clouds论文链接：https://arxiv.org/abs/2305.16404代码：https://github.com/vLAR-group/GrowS...
点云配准（RPM-Net: Robust Point Matching using Learned Features）源码
Vertira的博客
04-10 1161
RPM-Net: Robust Point Matching using Learned Features
CVPR2023 | 三维视觉方向论文合集（附代码）
05-09 3235
本合集包含三维重建、点云、场景重建/视图合成/新视角合成等细分任务。
点云配准论文阅读笔记
m0_46471042的博客
08-04 3520
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
点云配准论文
zhulf0804的博客
10-15 4067
点云配准，求解两个(具有overlap的)点云P, Q之间的变换(旋转矩阵和平移向量)，使得点云P, Q的坐标处于同一坐标系下。点云配准在无人驾驶、三维重建等领域具有广泛的应用。 本文整理了点云配准相关的论文，既包括基于深度学习的点云配准算法，也包括部分传统配准算法(ICP, GoICP, FGR等)。 Deep Global Registration [CVPR 2020; PyTorch] 3DRegNet: A Deep Neural Network for 3D Point Registratio
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

不再更新，请勿购买！！

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值