论文十问
Q1 论文试图解决什么问题?
给定两个点云输入,点云匹配
(PCR)的任务是估计两个点云之间的六自由度
变换信息,具体包括三个旋转角度参数R、三个位置平移参数T。作者最主要针对的问题是,已有的基于几何的方法对于外点(outlier)率较高时效率较低,同时基于深度的方法对于训练数据域外的测试数据的性能较差。所以作者提出一种极大团修正的PCR方法。从实验的结果来看,在已有的数据集百分比提升了10个点左右。
Q2 这是否是一个新的问题?
不是。在作者之前,已经有很多的研究人员研究这一问题。这一问题本质上是非常多其他的三维任务的后处理阶段,具有非常重要的应用价值。
Q3 这篇文章要验证一个什么科学假设?
通过修正版的极大团构建策略,点云匹配的速度、性能以及噪声干扰的鲁棒性会显著提升。
Q4 有哪些相关研究? 如何归类? 谁是这一课题在领域内值得关注的研究员?
从作者的论述里面,主要分为两大类,一类是基于几何的算法,一类是基于深度的算法。其中,基于几何的算法又分为针对全局优化的策略和基于局部优化的策略(RANSAC)。研究员了解较少。
Q5 论文中提到的解决方案之关键是什么?
1、优化的极大团构建策略:基于节点引导的团选择。初始的团计算由Bron Kerbosch提出的算法获得,但获得的团的数目往往数以万计,所以作者提出依据团的权重,将原本重复的团去掉(这里有点不是很清楚,明明是节点引导的团选择,为啥说的都是节点,只有提到有的节点在多个极大团中出现的时候只保持最大的权重,可是权重不是边的吗?)。
2、作者提出两个极大团滤波操作:基于法向量方向差值和基于团排序。
3、最后,通过RANSC算法,结合SVD优化求解最优的R和T。
Q6 论文中的实验是如何设计的?
这篇文章的大部分内容是实验。首先介绍了实验设置和三个数据集(U3M、3DMatch&3DLoMatch、KITTI),Sec 4.5就是大面积的对比实验。主要包括:外点重投影、构图选择、极大团策略、节点引导的团选择、团滤波、SVD策略等等。
Q7 用于定量评估的数据集是什么? 代码有没有开源?
数据集包括基于对象尺度的U3M数据集、基于室内场景尺度的3DMatch&3DLoMatch数据集、基于室外场景尺度的KITTI数据集。代码开源了:Github。
Q8 论文中的实验及结果有没有很好地支持需要验证的科学假设?
不是很清楚其中的指标,但从作者的数据排序来看,有较明显的提升。
Q9 这篇论文到底有什么贡献?
1、PCR领域的一个极大团构建策略;
2、引发对传统策略的思考;
3、写文章不要创行点泛滥,小创新也有很大的意义;
Q10 下一步呢? 有什么工作可以继续深入?
从论述的角度来看,作者提到的优化策略中是6自由度,那是不对于一般的投影变换和尺度变化,同时包含色彩信息的模型也应该测试测试,因为大部分情况下,恢复的三维模型是没有尺度信息的,与GT测试指标的时候,配准的准确性直接影响ACC和COML指标。