《论文阅读01》Learning multiview 3D point cloud registration

目录

一、论文

二、论文概要

三、论文详述

---

一、论文

---

• 研究领域：点云配准
• 论文：Learning multiview 3D point cloud registration
• CVPR 2020
• 论文链接

---

二、论文概要

  该论文提出了一种新的，端到端的学习，多视图三维点云配准算法。该方法不同于传统的两阶段的方法(各个阶段彼此分离)，而是直接学习以全局一致的方式注册场景的所有视图。

将仅覆盖环境的一小部分的单个点云片段对齐和融合成全局一致的整体表示。

三、论文详述

3.1 总体思路

考虑一组从不同视点捕捉3D场景的潜在重叠的点云：

多视点配准的最终任务是恢复刚体的、绝对的姿态Mi*

 S可以通过联系构建一张finite graph, G

每个顶点S代表一个点集;

边ε包含了Ri,j和ti,j即两个点的旋转矩阵和平移向量。

旋转矩阵和平移向量需要满足约束:

在当前的现有技术[69，35，7]中，G的边缘ε用（噪声）相对变换参数{Mij}来初始化，而作者是采用同步算法。

---

3.2 构建优化方程

点云集S中取出两个不同的点云集P和Q，两者的维度分别是NP×3即NP个点和NQ×3。

 成对配准的目标是检索最优的Rij和tij：

 φ（p，Q）是将点p映射到点云Q中的对应点的对应函数。

全局变换参数可以联合估计（变换同步）或通过将问题划分为旋转和平移来估计：

3.3 精细迭代

每次后续迭代（k +1）利用第k次的Mi,j对点云集Q进行改变：

先前迭代的权重w（k）和残差r（k）可以用作对应加权函数中的附带信息，进而每一步的权重会影响下一步的对应权重

3.4 神经网络的实现

将多视图配准算法实现为深度神经网络：

3.4.1 对应函数φ（.）的学习 

对应函数φ（·）的近似扩展了全卷积3D特征描述符FCGF

3.4.2 权重因子的学习

参考