论文作者 | Haiping Wang, Haiping Wang,Haiping Wang,etal
论文来源 | CVPR2023
文章解读 | William
1 摘要
之前的多视图配准方法依赖于穷举成对配准构造密集连接的位姿图，并在位姿图上应用迭代重加权最小二乘(IRLS)计算扫描位姿。但是，构造一个密集连接图十分耗时且包含大量离群边，使得后续的IRLS很难找到准确的位姿。
为了解决上述问题，提出使用神经网络来估计扫描对之间的重叠率，并构建稀疏且可靠的姿态图。然后，在IRLS中设计了一种新的历史重加权函数，该函数对图上的离群边具有较强的鲁棒性。
与现有的多视图配准方法相比，本文方法在3DMatch数据集上的配准召回率提高了11%，在ScanNet数据集上的配准误差降低了13%，同时所需的成对配准减少了70%。消融实验证明了本文方法的有效性。
2 主要贡献
1.学习了输入姿态图的良好初始化，避免了穷举成对配准并降低了离群比
2.提出了一种新的历史重加权函数，使IRLS方案的姿态校正具有稳定的收敛性
3.在3DMatch/3DLoMatch、ScanNet和ETH三个广泛使用的基准数据集上评估本文方法，均取得了较为先进的效果。
3 网络结构
对于一组在相同3D场景中未对齐的扫描点集P=\{P_{i}|i=1,...,N\}，多视图配准的目标是恢复底层全局扫描姿态
，应用如图1所示网络结构。
图1 网络结构
表1 3DMatch(3D)和3DLoMatch(3DL)数据集的配准召回率
表2 在ScanNet数据集上的配准性能
表3 ETH数据集的配准召回率
首先，结果表明，本文方法在3DMatch和3DLoMatch数据集上取得了比所有基线方法更好的性能，提高了约5%-10%，这表明本文方法能够通过姿态同步精确对齐低重叠扫描对。同时在稀疏图构造的帮助下，只需要约30%的成对配准，大大提高了效率。
其次，当使用与之前方法相同的姿态图时，本文方法在所有数据集上都取得了更好的性能，这得益于IRLS中的历史重加权函数。同时，将全局特征应用于图构建，可以进一步改善结果，这表明预测的重叠分数比根据两两配准简单地修剪边缘更具鲁棒性。
最后，在室外ETH数据集上验证了该方法的泛化能力。本文方法和基于学习的方法LITS都是在室内3DMatch数据集上训练的，然而，LITS不能很好地推广到室外数据集(只有约45%的召回率)，尽管它在两个室内数据集上都表现出很强的性能。相比之下，本文方法在户外数据集上仍然取得了很强的性能(几乎100%的注册召回率)。
6 结论
本文提出了一种新的多视点云配准方法。该方法的关键是基于学习的稀疏姿态图构建，该方法可以估计两次扫描之间的重叠比，能够选择高重叠的扫描对来构建稀疏且可靠的图。
在此基础上，提出了一种新的历史加权函数，提高了IRLS方案对异常值的鲁棒性，并对姿态校正有较好的收敛性。所提出的方法在室内和室外数据集上都具有最先进的性能，而且配对配准的次数要少得多。
来源：深蓝学堂EDU
