ECCV2018--点云匹配

Efficient Global Point Cloud Registration by Matching Rotation Invariant Features Through Translation Search

这篇文章通过解耦平移和选择问题，提出了快速的BnB算法实现全局优化。基于新的旋转不变特征(rotation invariant feature)，首先通过快速BnB算法建立全局的3D平移信息，随后利用这一信息计算旋转。
选择不变特征表达如下,对于任何的$S{O}_3$旋转具有不变性：
$$\left\{\begin{array}{c}||R{x}_{i1}||\\ ||R{x}_{i2}||\\ ||R(x_{i1}-x_{i2})||\end{array}\right\}=\left\{\begin{array}{c}||x_{i1}||\\ ||x_{i2}||\\ ||(x_{i1}-x_{i2})||\end{array}\right\}$$

---

Learning and Matching Multi-View Descriptors for Registration of Point Clouds

这篇文章提出了一个多视角描述子，通过多视角图图片学习而来用于描述3D关键点。随后提出了一种稳定的匹配方式，通过图形模型的置信度传播实现有效推理，从而排除了局外点的匹配。文章提出了Fuseption-ResNet来实现多视角特征融合：

随后利用置信度传播来进行匹配，首先匹配的定义如下：
$max(rank(p_i,p_j),rank(p_j,p_i))$ $max(rank(q_i,q_j),rank(q_j,q_i))$
p和q为对应的点。
随后对信息进行置信度传播：
$$m_{ij}^{t+1}=\frac{1}{Z}{F}_{ij}{m}_i\prod _{k\in \partial i/j}{m}_{ki}^t$$
节点$x_i$边缘分布为：
$$b_i=\frac{1}{Z}\prod _{k\in \partial i}{m}_{ki}$$
效果如下，在只有少部分重叠的情况下依然有很好的匹配效果：