CVPR2023新作:3D点云配准--3D Registration with Maximal Cliques

  1. Title: 3D Registration with Maximal Cliques

  2. Affiliation: School of Computer Science, Northwestern Polytechnical University, China

  3. Authors: Xiyu Zhang, Jiaqi Yang, Shikun Zhang, Yanning Zhang

  4. Keywords: 3D point cloud registration, maximal cliques, graph theory, SVD algorithm, deep learning

  5. Summary:

  • (1): 本文主要解决3D点云配准的问题,并针对现有方法存在的缺陷提出了改进方案。

  • (2): 既有的3D配准方法可以分为两类:基于几何的方法和基于深度学习的方法。前者容易受到因局外点造成的影响,而后者则受到3D特征检测不准确的制约。本文通过最大团理论构建了一个兼容性图,并针对最大团组合方式进行改进,提高了3D点云配准精度。

  • (3): 本文提出了一种3D Registration with Maximal Cliques (MAC) 方法,主要步骤包括构建兼容性图,寻找最大团集合,针对团结合对点云位姿猜想并通过SVD算法求解,选取最佳猜想执行配准。

  • (4): 实验证明MAC方法有效地提高了3D点云配准的精度,与现有方法相比表现更加优异,且能够提升深度学习方法的性能表现。在多个数据集上进行的实验证明,MAC与深度学习方法相结合可以实现最新配准召回率,分别为3DMatch / 3DLoMatch高达95.7%/ 78.9%。

  1. Methods:
  • (1): 本文提出了一种3D Registration with Maximal Cliques (MAC) 方法,针对现有方法存在的缺陷进行改进,主要包括下列步骤:

  • (2): 构建兼容性图:通过计算两组3D点云之间的关联度,以及利用最大团理论的优势,建立兼容性图,将关联性强的3D点云分为一组。

  • (3): 寻找最大团集合:根据兼容性图,找出所有最大的子集合,这些子集合代表了一组具有强关联性的3D点云。

  • (4): 对点云位姿猜想并通过SVD算法求解:对于每个最大团集合,采用一种启发式的方式对点云的初始姿势进行估计,然后针对每个候选位姿执行SVD算法并评估其质量。

  • (5): 最佳猜想执行配准:在剩余的候选位姿中选择具有最小误差的最佳猜想,并将其用作初始位姿进行配准。

  1. Conclusion:
  • (1): 本文提出了一种基于最大团的3D点云配准方法,称为MAC,该方法通过构建兼容性图和寻找最大团集合来提高配准的精度。与现有方法相比,实验结果表明MAC在多个数据集上具有更高的召回率。

  • (2): 创新点:本文的最大创新点在于提出了一种基于最大团的兼容性图构建方法,用于3D点云之间的关联性建模;性能:实验结果证明,本文提出的MAC方法在多个数据集上俱有更高的配准精度,而且可以提升深度学习方法的性能表现;负担:本文提出的方法需要进行复杂的图论计算和SVD算法求解,需要较大的计算量和时间成本。

你可能感兴趣的:(论文解读,计算机视觉,深度学习,人工智能)