DeepGlobalRegistration项目教程

DeepGlobalRegistration项目教程

DeepGlobalRegistration [CVPR 2020 Oral] A differentiable framework for 3D registration 项目地址: https://gitcode.com/gh_mirrors/de/DeepGlobalRegistration

1. 项目介绍

DeepGlobalRegistration（DGR）是一个用于对现实世界3D扫描进行成对配准的可微分框架。该框架包括以下三个模块：

• 一个6维卷积网络，用于预测对应点置信度。
• 一个可微分的加权Procrustes算法，用于闭式位姿估计。
• 一个鲁棒的基于梯度的SE(3)优化器，用于位姿细化。

DGR旨在提高真实世界扫描的配准精度，通过利用稠密对应关系集，而不是稀疏的关键点。

2. 项目快速启动

在开始之前，请确保您的系统满足以下要求：

• Ubuntu 14.04或更高版本
• CUDA 10.1.243或更高版本
• PyTorch 1.5或更高版本
• Python 3.6或更高版本
• GCC 7

以下是安装MinkowskiEngine和项目依赖的步骤：

# 安装MinkowskiEngine
sudo apt install libopenblas-dev g++-7
pip install torch
export CXX=g++-7
pip install -U MinkowskiEngine --install-option=" --blas=openblas" -v

# 克隆项目仓库
git clone https://github.com/chrischoy/DeepGlobalRegistration.git
cd DeepGlobalRegistration

# 安装项目依赖
pip install -r requirements.txt

启动项目的一个简单示例是运行demo脚本：

python demo.py

3. 应用案例和最佳实践

DGR适用于室内RGB-D扫描和室外LiDAR扫描。以下是一些应用案例：

• 室内3DMatch配准：使用ResUNetBN2C模型在5cm分辨率的3DMatch数据集上进行配准。
• 室外KITTI LiDAR配准：使用ResUNetBN2C模型在30cm分辨率的KITTI数据集上进行配准。

最佳实践建议在训练前下载并准备相应的预训练FCGF模型和数据集。

4. 典型生态项目

在3D配准领域，以下是一些与DGR相关的典型生态项目：

• PointNetLK：结合PointNet全局特征和迭代位姿优化方法的框架。
• Deep Closest Point：通过位姿优化反向传播训练图神经网络特征的框架。

这些项目都旨在通过深度学习技术提高3D点云配准的精度和效率。

DeepGlobalRegistration [CVPR 2020 Oral] A differentiable framework for 3D registration 项目地址: https://gitcode.com/gh_mirrors/de/DeepGlobalRegistration