Learning multiview 3D point cloud registration 论文学习总结

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，