3D Local Features for Direct Pairwise Registration论文阅读

最新推荐文章于 2022-11-13 11:49:37 发布

原创最新推荐文章于 2022-11-13 11:49:37 发布 · 806 阅读

3 ·

CC 4.0 BY-SA版权

论文阅读专栏收录该内容

8 篇文章

订阅专栏

本文探讨了点云配对问题，旨在通过end-to-end的方法回归两个点云之间的相对6D位姿。利用点云的结构信息和相对世界坐标系的位姿信息，提出了一种包含Chamber loss、Pose prediction loss和Feature consistency loss的损失函数，以实现精确的相对位姿预测。

Main Idea

目的：本文的目标是end-to-end的regression出point cloud pair之间的相对6D pose。

思路： Point cloud可以由两部分的信息来描述：

structure（点云的分布，相对位置之类的）
相对世界坐标系的pose（旋转+位移）
若已经确定是positive pair的两个point cloud，structure是可以看成近似相等，那么两者的信息差就可以反映出两者的pose之差，即相对pose。
…

Structure

在这里插入图片描述

Loss

loss function 由三个loss组成。如上两个图中所示

Chamber loss
这个是很自然的，FoldingNet首先要能够很好的encoder才可以
Pose prediction loss
这个更intuition，regress pose当然要用GT-pose来监督
Feature consistency loss
这个是说，两个patch在PPF-FoldingNet得出旋转不变的信息应该越接近越好。因为PPF-FoldingNet得出的信息只有structure信息，确认是配对的两个patch自然是必须非常相似。而PC-FoldingNet含有旋转信息，这会导致两个patch输出结果不同，所以不强求。