论文解读｜CVPR 2023：非刚性点云匹配的神经内嵌算法

原创 | 文 BFT机器人

01

背景

在非刚性点云匹配领域，将两个或多个形状的点云对应起来是一个具有挑战性的任务。在这个问题中，形状的变形可能会导致点云之间的几何形状和拓扑结构的差异。因此，点云匹配方法需要能够识别和建立这些非刚性变形下的对应关系。

以往的点云匹配方法通常依赖于手工设计的特征描述符或采用迭代优化的方法。然而，这些方法往往对数据的特征表示和模型的选择非常敏感，并且需要大量的标记数据或结构几何信息来进行监督。此外，许多方法还依赖于离线基础构建的步骤，这增加了算法的复杂性和计算成本。

为了解决这些问题，论文提出了一种名为神经内在嵌入（Neural Intrinsic Embedding，简称NIE）的方法来进行非刚性点云匹配。NIE的目标是通过学习将点云的顶点嵌入到高维空间中，同时保留形状的内在结构。为了实现这一目标，NIE通过训练来逼近点云表面上对应点之间的测地距离。通过这种方式，NIE能够学习到点云之间的非刚性变形，并将其编码为高维嵌入空间中的向量表示。。

通过在实验中与现有的点云匹配方法进行比较，论文展示了NIE的有效性。实验结果表明，NIE在不同数据集和场景下都能取得与或优于现有方法的性能，同时不需要更多的监督信息或结构几何输入。这证明了NIE在非刚性点云匹配中的潜力和优越性。