点云配准matlab代码_DCP: Deep Closest Point（点云匹配 ICCV 2019）

点云匹配（Point Cloud Registration）问题，在机器人、医疗图像以及其它相关的计算机视觉任务中是一个很关键的问题。本文主要介绍ICCV2019里面一篇做Registration的文章，记录一些学习笔记和心得。

Deep Closest Point: Learning Representations for Point Cloud Registration​openaccess.thecvf.com WangYueFt/dcp​github.com

1. Registration的目标

对于两个本质“形状”接近的点云：

，如何通过旋转、平移，来调整

，使

尽量与

重合。

2. Registration的难点

点云中的点是无序的。旋转、平移，本质是对点云中每个点的调整。那么问题来了，如何确定

中点的对应关系？

传统的方法（ICP、Go-ICP等）提供的一些方案，其存在一些问题：很容易陷入局部最优点、太耗时。

论文提出了一种end-to-end DCP算法（Deep Closest Point）来处理Point Cloud Registration问题，相比之前的方法，性能提升很大。

3. Transformer回顾

作者提出的DCP算法，里面使用了NIPS 2017 里面《Attention Is All You Need》中提出的Transformer网络结构。理解DCP算法之前，有必要对Transformer有一个大概的了解。

在seq2seq问题里面（例如机器翻译），基于RNN、LSTM的Encoder-Decoder方案主要的问题在于：

• 处理太长的sequence时，效果不佳；