首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    重拾非学习的策略:一种新颖的点云配准问题设置

    这个工作来自于上海交通大学,发表于CVPR 2022。我们知道,三维点云配准是三维视觉以及点云相关任务中的一个关键课题。早期最具有代表性的三维点云配准的工作是ICP,其根据点匹配估计输入点云的相对位姿。近年来随着深度学习技术的发展进步,基于深度学习的三维点云配准方法成为研究的主流,并随之诞生了DeepVCP、DGR、Predator等著名的方法。但这个工作重新聚焦于非学习的策略,通过聚类策略实现了先进的性能。同时,这个工作提出了一个新颖的点云配准问题设定,称为multi-instance point cloud registration,即同时估计某个instance的源点云与多个目标instance组成的目标点云中的每个instance的相对位姿。

    03

    点云配准任务中的点特征与一般点特征的区别在哪里?

    这个工作来自于华中科技大学,发表于ICCV 2021。这个工作聚焦于点云的点特征表示学习,但是,与一般的点特征学习方法并不一样。我们知道,基于深度学习的三维点云处理已经在近年来得到了广发关注,从先驱性的工作例如PointNet到近期的Point Transformer等。这些工作都能有效的学习点特征表示。但是,这些方法学习点特征都是基于输入的某一个点云而言的,所有的操作也都集中在一个点云上,并且追求特征的描述性,力求能准确表示三维点云的局部几何结构。但是,这篇论文针对点云配准工作提出了另一种点云设计方式。我们知道配准的目的是求解输入的点云对之间的相对变换以使它们最好的对齐,在这个过程中,聚焦于用学到的点特征表示构造可靠的匹配对。为此,对于点特征的鲁棒性需求也很重要。为了实现这个目的,本工作提出从输入的两个点云出发,利用这两个点云之间的交互进一步调整点特征学习,使得到的点特征表示源于同时感知到当前点云和另一个需要配对的点云,从而追求正确的匹配点的可匹配性的提升。也就是说这是一个针对特定任务而设计的点特征学习方法,或许此方法学到的点特征难以应用到其他任务,例如分类、分割等,但对于匹配、配准而言应该更加适用。

    01
    领券