【论文笔记】点云配准网络 3DRegNet: A Deep Neural Network for 3D Point Registration 2020

最新推荐文章于 2024-09-14 07:30:47 发布

原创

最新推荐文章于 2024-09-14 07:30:47 发布 · 2.8k 阅读

18 ·

CC 4.0 BY-SA版权

3DRegNet是一种基于深度学习的点云配准方法，超越了RANSAC和ICP的精度，在CPU上达到25倍RANSAC的速度。该方法使用DNN进行位姿回归，通过SVD分解求解变换矩阵，适用于已知点云对应关系的场景。实验对比了不同的旋转量表示方法和位姿损失度量，展示了3DRegNet在精度和速度上的优势。

Instituto Superior T ́ecnico, Lisboa; Google；印度科学研究所，班加罗尔；马里兰大学帕克分校
代码链接：https://github.com/3DVisionISR/3DRegNet

本文提出了一种基于深度学习的点云配准方法3DRegNet，超越了现有RANSAC和ICP的精度，同时在CPU上也达到了25倍RANSAC的速度。

注意3DRegNet假设两个点云之间的对应关系是给定的，3DRegNet只负责剔除噪声点，生成位姿变换矩阵这两个任务。

实验部分对现有的旋转量的各种表示方法、位姿损失的度量方法进行了结果对比。
此外，还对SVD分解和DNN回归两种位姿解算方法进行了对比。

3DRegNet

在这里插入图片描述

a: 使用DNN进行位姿回归的网络结构
b: 使用SVD进行位姿解算的模型结构
ab是本文提出的两种模型，实验部分对其性能进行了对比。
c: 分类网络，对给定的对应关系进行内点、噪声点的分类。
d: 使用DNN进行位姿解算的配准模块

分类block

网络层结构如上图所示，主要是FC+ResNet级联
输入N个对应关系（两个对应点坐标）N X 6，输出 N X 1,即每个对应关系的置信度（权重）。

DNN 配准网络：

该网络将分类网络中的输入和每一层输出进行最大池化后进行context normalization，然后作为输入进行配准。最后输出旋转量预测值和平移量预测值。

SVD配准模块：

使用预测的对应关系的权重将噪声点去除，然后再内点中进行中心化操作，使用SVD分解求解变换矩阵和平移向量：
$\mathbf{M}=\sum_{i \in \mathcal{I}} w_{i} \mathbf{p}_{i} \mathbf{q}_{i}^{T}$
$\mathbf{R}=\mathbf{U} \operatorname{diag}\left(1,1, \operatorname{det}\left(\mathbf{U V}^{T}\right)\right) \mathbf{V}^{T}$
$\mathbf{t}=\frac{1}{N_{\mathcal{I}}}\left(\sum_{i \in \mathcal{I}} \mathbf{p}_{i}-\mathbf{R} \sum_{i \in \mathcal{I}} \mathbf{q}_{i}\right)$