CVPR2023，Back to Tradition？幾何三維點云配準(zhǔn)方法的新探索
作者：PCIPG-kk ?| 來源：3D視覺工坊
在公眾號「3D視覺工坊」后臺，回復(fù)「原論文」即可獲取論文pdf。
添加微信：dddvisiona，備注：3D點云，拉你入群。文末附行業(yè)細分群。
本文介紹了一種基于極大團（Maximal Cliques/ MAC）的三維配準(zhǔn)方法。其核心思想是放寬先前的最大團（Maximum Clique）約束，并在圖中挖掘更多的局部一致性信息以生成準(zhǔn)確的姿態(tài)假設(shè)：1）構(gòu)建可比圖以展示初始對應(yīng)關(guān)系之間的親鄰關(guān)系。2）在圖中搜索極大團，每個極大團代表一個一致性集合。然后進行節(jié)點引導(dǎo)的團選擇，其中每個節(jié)點對應(yīng)于具有極大團權(quán)重的極大團。3）使用SVD算法計算所選團對應(yīng)的變換假設(shè)，并選擇最佳假設(shè)進行配準(zhǔn)。在U3M、3DMatch、3DLoMatch和KITTI上進行了大量實驗證明，MAC有效提高了配準(zhǔn)精度，優(yōu)于各種最新方法，并提升了深度學(xué)習(xí)方法的性能。MAC與深度學(xué)習(xí)方法相結(jié)合，在3DMatch / 3DLoMatch上實現(xiàn)了95.7％/ 78.9％的配準(zhǔn)召回率，達到了最先進的水平。
點云配準(zhǔn)（PCR）是三維計算機視覺中的重要問題，用于將兩個點云精確對齊。關(guān)注點：基于匹配的（correspondence）三維點云配準(zhǔn)方法目前有兩類主流的方法：
深度學(xué)習(xí)的方法 -需要大量的訓(xùn)練數(shù)據(jù)，需要GPU資源，泛化性不足
傳統(tǒng)幾何的方法 -精度不足，魯棒性不足，靈活性不足
本文面向無標(biāo)簽，少標(biāo)簽，學(xué)習(xí)難的任務(wù)重新研究幾何方法再三維配準(zhǔn)的潛力
在本文中，我們提出了一種基于極大團（MAC）的純幾何 3D 配準(zhǔn)方法。關(guān)鍵點在是放松之前的最大團約束，并在圖中挖掘更多局部共識信息以生成準(zhǔn)確的姿勢假設(shè)。本文的主要貢獻如下：
引入了一種名為MAC的假設(shè)生成方法。相比先前的最大團約束，論文的MAC方法能夠在圖中挖掘更多的局部信息。論文證明了即使在存在大量離群值的情況下，MAC生成的假設(shè)也具有很高的準(zhǔn)確性。這里也推薦「3D視覺工坊」新課程《三維點云處理：算法與實戰(zhàn)匯總》
基于MAC，論文提出了一種新穎的PCR方法，在U3M、3DMatch、3DLoMatch和KITTI數(shù)據(jù)集上實現(xiàn)了最先進的性能。值得注意的是，論文提出的基于幾何方法的MAC方法在性能上優(yōu)于一些最先進的深度學(xué)習(xí)方法。MAC還可以作為模塊插入多個深度學(xué)習(xí)框架中，以提升它們的性能。MAC與GeoTransformer相結(jié)合，在3DMatch和3DLoMatch數(shù)據(jù)集上實現(xiàn)了95.7% / 78.9%的最先進的配準(zhǔn)召回率。
總結(jié)的來說本文的優(yōu)勢就是方法簡單而且效果好。
總的算法流程主要采用類似Ransac的配準(zhǔn)方法：
使用幾何或?qū)W習(xí)到的局部描述子提取它們的局部特征
匹配局部特征生成初始對應(yīng)集合
從對應(yīng)集合中找到正確的對應(yīng)
使用SVD等方法計算位置變換矩陣并測試得到最優(yōu)的配準(zhǔn)結(jié)果
本文的改進主要針對于第三個部分，從眾多對應(yīng)己喝中找到正確的對應(yīng)
算法流程/pipeline
通過使用傳統(tǒng)的關(guān)鍵點提取方法和描述子或者基于深度學(xué)習(xí)的關(guān)鍵點檢測和描述子，匹配得到兩個點云的初始對應(yīng)關(guān)系，得到對應(yīng)關(guān)系的集合。
首先，我們要注意，該方法將每一個對應(yīng)關(guān)系看作圖的節(jié)點（圓），將邊（連線）看作兩個節(jié)點的相似度。一條邊上的兩個節(jié)點相似程度高表示兩個點對的對應(yīng)關(guān)系高度一致，這條邊即獲得更大的權(quán)重。圖空間能夠更準(zhǔn)確地描述對應(yīng)關(guān)系之間的親和性關(guān)系，優(yōu)于歐氏空間。初始對應(yīng)集合，其中。構(gòu)建圖采用之間的剛性距離約束來構(gòu)建。
一階圖First Order Graph（FOG）一階圖的構(gòu)建通過一下方式構(gòu)建，經(jīng)過高斯函數(shù)提高相近對應(yīng)的權(quán)重
SOG具有更嚴格的邊緣構(gòu)造條件，與相鄰節(jié)點的可比性更高；
SOG更稀疏，便于更快速的搜索團。
給定一個無向圖，團，V′ ? V, E′ ? E 是 G 的子集，其中任意兩個節(jié)點通過邊連接。極大團是不能通過添加任何節(jié)點來擴展的團。具有最多節(jié)點的極大團是圖的最大團。Searching for Maximal cliques搜索極大團：以前的工作側(cè)重于在圖中搜索最大團，只關(guān)注圖中的全局共識信息。我們放寬了約束并利用極大團來挖掘更多局部圖信息。通過使用 igraph C++ 庫中的 igraph maximal cliques 函數(shù)，它使用了修改后的 BronKerbosch算法，最大cliques 的搜索可以非常有效。每個極大團代表一個一致性集合，即具有高度一致性的點對集合。為減少極大團的數(shù)量，在所有包含同一個節(jié)點的極大團中只選取總權(quán)重最大的極大團，重復(fù)的極大團也被刪除。如果這些還不夠，還可以進一步通過等法向量一致性檢測和只保留權(quán)重前 K 的極大團等方法繼續(xù)篩選極大團。
Node-guided Clique Selection在執(zhí)行極大團搜索過程后，獲得了極大團集合。實際上，集合通常包含數(shù)萬個極大團，如果考慮所有極大團，將會非常耗時。在這里，我們提出了幾種技術(shù)來進一步過濾極大團。
Normal consistency
在極大團中，我們發(fā)現(xiàn)每個對應(yīng)關(guān)系之間都滿足一致性。給定兩個對應(yīng)關(guān)系 和四個點處的法向量，角度差。如果 ci 和 cj 一致，則以下不等式應(yīng)該成立：
Clique ranking
我們使用團的權(quán)重按降序組織 。前 K 個應(yīng)該更有可能產(chǎn)生正確的假設(shè)。這使得可以靈活地控制假設(shè)的數(shù)量。
MAC 的最終目標(biāo)是估計最大化目標(biāo)函數(shù)的最佳 6-DoF 剛性變換（由旋轉(zhuǎn)姿勢 R* ∈ SO(3) 和平移姿勢 t* ∈ R3 組成），如下所示：
可以得出以下結(jié)論：1）無論使用哪種描述符，MAC在3DMatch和3DLoMatch數(shù)據(jù)集上都優(yōu)于所有比較方法，表明其配準(zhǔn)室內(nèi)場景點云的能力很強；2）即使與深度學(xué)習(xí)方法相比，MAC在沒有任何數(shù)據(jù)訓(xùn)練的情況下仍然取得了更好的性能；3）除了注冊召回（RR）指標(biāo)之外，MAC還實現(xiàn)了最佳的RE和TE指標(biāo)。這表明 MAC 的配準(zhǔn)非常準(zhǔn)確，并且 MAC 能夠?qū)R低重疊數(shù)據(jù)。
在本文中，我們提出了 MAC 來解決 PCR，通過使用極大團約束從對應(yīng)關(guān)系生成精確的姿態(tài)假設(shè)。我們的方法在所有測試的數(shù)據(jù)集上實現(xiàn)了最先進的性能，并且可以適應(yīng)深度學(xué)習(xí)的方法來提高其性能。
https://zhuanlan.zhihu.com/p/634646444
目前工坊已經(jīng)建立了3D視覺方向多個社群，包括SLAM、工業(yè)3D視覺、自動駕駛方向。
細分群包括：
[工業(yè)方向]三維點云、結(jié)構(gòu)光、機械臂、缺陷檢測、三維測量、TOF、相機標(biāo)定、綜合群；
[SLAM方向]多傳感器融合、ORB-SLAM、激光SLAM、機器人導(dǎo)航、RTK|GPS|UWB等傳感器交流群、SLAM綜合討論群；
[自動駕駛方向]深度估計、Transformer、毫米波|激光雷達|視覺攝像頭傳感器討論群、多傳感器標(biāo)定、自動駕駛綜合群等。
[三維重建方向]NeRF、colmap、OpenMVS等。除了這些，還有求職、硬件選型、視覺產(chǎn)品落地等交流群。
大家可以添加小助理微信: dddvisiona，備注：加群+方向+學(xué)校|公司, 小助理會拉你入群。
