论文解读 | 5分钟带你了解基于深度学习的点云配准的ICP算法

原创 | 文 BFT机器人 

01

摘要

迭代最近点（ICP）及其变式为此任务提供了简单且易于实现的迭代方法，但这些算法可能会收敛到虚假的局部最优值。

为了解决ICP通道中的局部最优和其他困难，我们提出了一种基于学习的方法，名为“深度最近点”（DCP），其灵感来自计算机视觉和自然语言处理的最新技术。我们的模型由三部分组成：点云特征提取网络、基于注意力的点云匹配预测，以及可微奇异值分解（SVD）层用来提取最终的刚性变换。

我们在 ModelNet40 数据集上端到端地训练我们的模型，并在多种设置中显示它比 ICP 及其变体（例如 Go-ICP、FGR）以及最近提出的基于学习的方法 PointNetLK 表现更好。除了提供最先进的配准技术之外，我们还评估了将学习到的特征转移到看不见的物体上的适用性。我们还对我们学习的模型进行初步分析，以帮助了解局部特征以及全局特征是否有利于点云配准。

02

本文的主要贡献

我们设计了一个子网络模块去解决ICP通道中的一些难点。并提出了一个简单的架构来预测对齐两个点云的刚性变换。评估多种环境下的效率和性能，并提供消融实验来验证我们的模块。另外，我们还分析局部特征还是全局特征对于配准更有用。以及我们发布代码以促进可重复性和未来的研究。

03

DCP（Deep Closest Point）网络结构

我们的模型由三个部分组成：

（1）我