三維點(diǎn)云配準(zhǔn)方向必讀論文
三維點(diǎn)云配準(zhǔn)是計(jì)算機(jī)視覺與模式識(shí)別中的一個(gè)重要問(wèn)題，它已經(jīng)被廣泛地應(yīng)用于三維重建、機(jī)器人定位與導(dǎo)航和無(wú)人駕駛等領(lǐng)域。
它的目的是求解兩個(gè)點(diǎn)云之間的一種幾何變換，通過(guò)幾何變換實(shí)現(xiàn)兩個(gè)點(diǎn)云在空間上的對(duì)齊。
最近，隨著深度學(xué)習(xí)的進(jìn)一步發(fā)展，3D計(jì)算機(jī)視覺成為了一個(gè)新興的研究熱點(diǎn)，而基于深度學(xué)習(xí)的配準(zhǔn)算法研究也獲得了較大的關(guān)注。
學(xué)姐整理了三維點(diǎn)云配準(zhǔn)方向必讀論文：
A comprehensive survey on point cloud registration.
配準(zhǔn)是兩個(gè)點(diǎn)云之間的變換估計(jì)問(wèn)題，在眾多計(jì)算機(jī)視覺應(yīng)用中具有獨(dú)特而關(guān)鍵的作用。基于優(yōu)化的方法和深度學(xué)習(xí)方法的發(fā)展提高了配準(zhǔn)的魯棒性和效率。
最近，基于優(yōu)化和深度學(xué)習(xí)方法的結(jié)合進(jìn)一步提高了性能。然而，基于優(yōu)化和深度學(xué)習(xí)方法之間的聯(lián)系仍不清楚。此外，隨著 3D 傳感器和 3D 重建技術(shù)的最新發(fā)展，出現(xiàn)了一個(gè)新的研究方向來(lái)對(duì)齊跨源點(diǎn)云。
本次調(diào)查進(jìn)行了全面的調(diào)查，包括同源和跨源注冊(cè)方法，并總結(jié)了基于優(yōu)化和深度學(xué)習(xí)方法之間的聯(lián)系，以提供進(jìn)一步的研究見解。該調(diào)查還建立了一個(gè)新的基準(zhǔn)來(lái)評(píng)估解決跨源挑戰(zhàn)的最先進(jìn)的注冊(cè)算法。此外，本次調(diào)查總結(jié)了基準(zhǔn)數(shù)據(jù)集并討論了跨各個(gè)領(lǐng)域的點(diǎn)云注冊(cè)應(yīng)用程序。
最后，這項(xiàng)調(diào)查提出了這個(gè)快速發(fā)展領(lǐng)域的潛在研究方向。
Generalized-ICP
在本文中，我們將迭代最近點(diǎn) ('ICP') 和'點(diǎn)對(duì)平面 ICP' 算法組合到一個(gè)概率框架中。然后，我們使用該框架從兩次掃描中對(duì)局部平面表面結(jié)構(gòu)進(jìn)行建模，而不是像通常使用點(diǎn)對(duì)面方法那樣僅對(duì)“模型”掃描進(jìn)行建模。 這可以被認(rèn)為是“平面到平面”。
新方法通過(guò)模擬和真實(shí)數(shù)據(jù)進(jìn)行了測(cè)試，并證明其性能優(yōu)于標(biāo)準(zhǔn) ICP 和點(diǎn)對(duì)面。 此外，新方法被證明對(duì)不正確的對(duì)應(yīng)關(guān)系更穩(wěn)健，因此更容易調(diào)整大多數(shù) ICP 變體中存在的最大匹配距離參數(shù)。
除了已證明的性能改進(jìn)之外，所提出的模型還允許將更具表現(xiàn)力的概率模型合并到 ICP 框架中。 在保持 ICP 的速度和簡(jiǎn)單性的同時(shí)，Generalized-ICP 還可以允許添加離群項(xiàng)、測(cè)量噪聲和其他概率技術(shù)以提高穩(wěn)健性。
Point set registration:Coherent point drift.
點(diǎn)集配準(zhǔn)是許多計(jì)算機(jī)視覺任務(wù)中的關(guān)鍵組成部分。點(diǎn)集配準(zhǔn)的目標(biāo)是分配兩組點(diǎn)之間的對(duì)應(yīng)關(guān)系，并恢復(fù)將一個(gè)點(diǎn)集映射到另一個(gè)點(diǎn)集的變換。多種因素，包括未知的非剛性空間變換、點(diǎn)集的大維數(shù)、噪聲和異常值，使點(diǎn)集配準(zhǔn)成為一個(gè)具有挑戰(zhàn)性的問(wèn)題。
我們介紹了一種概率方法，稱為相干點(diǎn)漂移 (CPD) 算法，用于剛性和非剛性點(diǎn)集配準(zhǔn)。我們將兩個(gè)點(diǎn)集的對(duì)齊視為概率密度估計(jì)問(wèn)題。我們通過(guò)最大化似然將 GMM 質(zhì)心（代表第一個(gè)點(diǎn)集）擬合到數(shù)據(jù)（第二個(gè)點(diǎn)集）。我們強(qiáng)制 GMM 質(zhì)心作為一個(gè)整體連貫移動(dòng)，以保持點(diǎn)集的拓?fù)浣Y(jié)構(gòu)。在剛性情況下，我們通過(guò)使用剛性參數(shù)對(duì) GMM 質(zhì)心位置進(jìn)行重新參數(shù)化來(lái)施加相干約束，并推導(dǎo)出EM算法在任意維度上的最大化步驟的封閉形式解。
在非剛性情況下，我們通過(guò)調(diào)整位移場(chǎng)并使用變分法推導(dǎo)最佳變換來(lái)施加相干約束。我們還介紹了一種快速算法，可將方法計(jì)算復(fù)雜度降低到線性。我們?cè)诖嬖谠肼?、異常值和缺失點(diǎn)的情況下針對(duì)剛性和非剛性轉(zhuǎn)換測(cè)試了CPD算法，其中CPD顯示了準(zhǔn)確的結(jié)果并且優(yōu)于當(dāng)前最先進(jìn)的方法。
索引詞——配準(zhǔn)、對(duì)應(yīng)、匹配、對(duì)齊、剛性、非剛性、點(diǎn)集、相干點(diǎn)漂移 (CPD)、高斯混合模型 (GMM)、相干性、正則化、EM算法。
Fast Global Registration.
我們提出了一種用于快速全局配準(zhǔn)部分重疊 3D 表面的算法。 該算法對(duì)覆蓋表面的候選匹配進(jìn)行操作。 優(yōu)化單個(gè)物鏡以對(duì)齊表面并禁用錯(cuò)誤匹配。 目標(biāo)在表面上密集定義，優(yōu)化實(shí)現(xiàn)了緊密對(duì)齊，無(wú)需初始化。 在內(nèi)循環(huán)中不執(zhí)行對(duì)應(yīng)更新或最近點(diǎn)查詢。 該算法的擴(kuò)展可以執(zhí)行許多部分重疊表面的聯(lián)合全局配準(zhǔn)。 廣泛的實(shí)驗(yàn)表明，所提出的方法匹配或超過(guò)最先進(jìn)的全球注冊(cè)管道的準(zhǔn)確性，同時(shí)至少快一個(gè)數(shù)量級(jí)。 值得注意的是，所提出的方法也比 ICP 等局部?jī)?yōu)化算法更快。 它提供了通過(guò)良好初始化的局部細(xì)化算法實(shí)現(xiàn)的精度，無(wú)需初始化且計(jì)算成本較低。
3DMatch:Learning local geometric descriptors from RGB-D reconstructions.
由于3D掃描數(shù)據(jù)的噪聲、低分辨率和不完整特性，在真實(shí)世界的深度圖像上匹配局部幾何特征是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。這些困難限制了當(dāng)前最先進(jìn)方法的性能，這些方法通常基于幾何屬性的直方圖。在本文中，我們介紹了3DMatch，這是一種數(shù)據(jù)驅(qū)動(dòng)模型，它學(xué)習(xí)局部體積塊描述符以建立部分3D數(shù)據(jù)之間的對(duì)應(yīng)關(guān)系。
為了為我們的模型積累訓(xùn)練數(shù)據(jù)，我們提出了一種無(wú)監(jiān)督的特征學(xué)習(xí)方法，該方法利用現(xiàn)有RGB-D重建中發(fā)現(xiàn)的數(shù)百萬(wàn)個(gè)對(duì)應(yīng)標(biāo)簽。
實(shí)驗(yàn)表明，我們的描述符不僅能夠匹配新場(chǎng)景中的局部幾何以進(jìn)行重建，而且還可以泛化到不同的任務(wù)和空間尺度（例如，Amazon Picking Challenge 的實(shí)例級(jí)對(duì)象模型對(duì)齊和網(wǎng)格表面對(duì)應(yīng)）。
結(jié)果表明，3DMatch 始終以顯著優(yōu)勢(shì)優(yōu)于其他最先進(jìn)的方法。
Pointnet:Deeplearning on point sets for 3d classification and segmentation.
點(diǎn)云是一類重要的幾何數(shù)據(jù)結(jié)構(gòu)。
由于其格式不規(guī)則，大多數(shù)研究人員將此類數(shù)據(jù)轉(zhuǎn)換為規(guī)則的 3D 體素網(wǎng)格或圖像集合。然而，這會(huì)使數(shù)據(jù)不必要地龐大并導(dǎo)致問(wèn)題。 在本文中，我們?cè)O(shè)計(jì)了一種直接使用點(diǎn)云的新型神經(jīng)網(wǎng)絡(luò)，它很好地尊重了輸入中點(diǎn)的排列不變性。我們的網(wǎng)絡(luò)名為 PointNet，為從對(duì)象分類、部分分割到場(chǎng)景語(yǔ)義解析的應(yīng)用程序提供統(tǒng)一的架構(gòu)。雖然簡(jiǎn)單，但 PointNet 非常高效和有效
從經(jīng)驗(yàn)上看，它表現(xiàn)出與現(xiàn)有技術(shù)相當(dāng)甚至更好的強(qiáng)大性能。
從理論上講，我們提供分析以了解網(wǎng)絡(luò)學(xué)到了什么以及為什么網(wǎng)絡(luò)在輸入擾動(dòng)和損壞方面是穩(wěn)健的。
Fully convolutional geometric features.
從3D掃描或點(diǎn)云中提取幾何特征是配準(zhǔn)、重建和跟蹤等應(yīng)用的第一步.最先進(jìn)的方法需要計(jì)算低級(jí)特征作為輸入或提取具有有限接受域的基于補(bǔ)丁的特征。在這項(xiàng)工作中，我們提出了全卷積幾何特征，由 3D 全卷積網(wǎng)絡(luò)在單次傳遞中計(jì)算。
我們還提出了新的度量學(xué)習(xí)損失，可以顯著提高性能。
全卷積幾何特征緊湊，可捕獲廣泛的空間上下文，并可擴(kuò)展到大場(chǎng)景。 我們通過(guò)實(shí)驗(yàn)驗(yàn)證了我們?cè)谑覂?nèi)和室外數(shù)據(jù)集上的方法。
全卷積幾何特征無(wú)需預(yù)處理即可達(dá)到最先進(jìn)的精度，緊湊（32 維），并且比最準(zhǔn)確的先驗(yàn)方法快 290 倍。
Deep Global Registration.
我們提出了 Deep Global Registration，這是一個(gè)用于真實(shí)世界3D掃描成對(duì)注冊(cè)的可區(qū)分框架。
深度全局配準(zhǔn)基于三個(gè)模塊：用于對(duì)應(yīng)置信度預(yù)測(cè)的 6 維卷積網(wǎng)絡(luò)、用于封閉形式姿態(tài)估計(jì)的可微分加權(quán) Procrustes 算法以及用于姿態(tài)細(xì)化的穩(wěn)健的基于梯度的 SE(3) 優(yōu)化器。
實(shí)驗(yàn)表明，我們的方法在真實(shí)世界數(shù)據(jù)上優(yōu)于最先進(jìn)的方法，包括基于學(xué)習(xí)的方法和經(jīng)典方法。
