Learning multiview 3D point cloud registration 论文学习总结
一、存在问题
作者在论文中提到点云的匹配时会存在
1)相邻点云的低重叠会导致不精确或错误的匹配效果
2)点云在匹配时非常依赖于局部环境,如果三维场景中的点云非常稀疏或有重复,会导致有不好的匹配结果
3)为了将成对点云进行全局化,需要一个单独的后处理。然而这个单独的后处理存在很多由噪声引起的显著偏差。
为此,作者提出了一个端到端训练的,将成对匹配和全局处理相结合的算法。
二、创新点
1)端到端
2)提出一个置信估计块来预测成对配准之间的参数的置信度
3)引入了一个迭代重加权最小二乘算法(IRLS)
三、算法在文章中介绍的整体结构
文章的三、四部分是介绍算法的。
在第三部分中,3.1介绍了点云图像两两配对的过程,后面加权的w就是IRLS算法(创新点3);3.2介绍了根据两两配对得到的参数全局参数的算法,其中cij就是置信度(创新点2);3.3介绍了w和cij的迭代计算。
第四部分的Learned correspondence function是介绍了在3.1中提到的将p中的点映射到Q中的fai函数的具体表达和损失计算;Deep pairwise registration介绍了包含fai函数的权值w的计算及其损失公式;Confidence estimation block介绍了置信度cij的计算;End-to-end multiview 3D registration部分就是算法的实现。
四、算法的详细介绍
4.1第三部分
4.1.0 预备知识
表示点云集的个数,