论文解读｜Lepard:学习刚性和变形场景中的部分点云匹配

原创 | 文 BFT机器人 

01

背景

点云匹配和配准在计算机视觉和机器人领域中具有广泛的应用，对于许多任务的成功实现至关重要。在许多应用中都有广泛的应用，例如三维建模、机器人导航、虚拟现实等。

点云匹配和配准的目标是将两个或多个点云对齐，以便进行后续的处理和分析。在实际应用中，点云可能会受到噪声、遮挡、非刚性形变等因素的影响，这使得点云匹配和配准变得更加困难。

因此，研究如何在这些复杂情况下实现高效准确的点云匹配和配准是一个重要的研究方向。

02

创新点

1. 提出了一种新型的点云匹配和配准方法Lepard，该方法利用了点云的3D位置信息，通过自注意力机制和交叉注意力机制实现了点云的特征提取和匹配。

2. 引入了一种新的点云匹配基准测试数据集4DMatch和4DLoMatch，这两个数据集包含了非刚性变形