0
点赞
收藏
分享

微信扫一扫

基于可靠姿态图初始化和历史重加权的鲁棒多视图点云配准

基于可靠姿态图初始化和历史重加权的鲁棒多视图点云配准_数据集

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

基于可靠姿态图初始化和历史重加权的鲁棒多视图点云配准_召回率_02

,应用如图1所示网络结构。

基于可靠姿态图初始化和历史重加权的鲁棒多视图点云配准_数据集_03

图1 网络结构

基于可靠姿态图初始化和历史重加权的鲁棒多视图点云配准_召回率_04

基于可靠姿态图初始化和历史重加权的鲁棒多视图点云配准_数据集_05

基于可靠姿态图初始化和历史重加权的鲁棒多视图点云配准_召回率_06

基于可靠姿态图初始化和历史重加权的鲁棒多视图点云配准_数据集_07

表1 3DMatch(3D)和3DLoMatch(3DL)数据集的配准召回率

基于可靠姿态图初始化和历史重加权的鲁棒多视图点云配准_数据集_08

表2 在ScanNet数据集上的配准性能 

基于可靠姿态图初始化和历史重加权的鲁棒多视图点云配准_召回率_09

表3 ETH数据集的配准召回率

基于可靠姿态图初始化和历史重加权的鲁棒多视图点云配准_召回率_10

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

举报

相关推荐

0 条评论