Codefmeister's BLOG

PointDSC工作基于利用空间一致性的Outlier Removal, 是对Spectral Match(SM)算法的改进与拓展。SM算法通过长度一致性构建对应关系间的相容图。随后使用特征分析来进行聚类，区分离群点和内点。其缺陷主要在于：长度一致性在很多场景下的辨别能力不够强（遂通过深度学习的特征进行取代）。离群点较多时可能出现反客为主的情况，inliers不能取得主宰的地位，特征分析会失效。PointDSC主要由三个模块构成，一个是空间一致性特征引导的非局部几何特征提取模块SCNonlocal Mo.

RGM使用DGCNN先抽象提取出局部特征，点云x,yx,yx,y的特征分别对应于FX,FY\mathcal{F}_{\mathbf{X}}, \mathcal{F}_{\mathbf{Y}}FX​,FY​随后使用Transformer来交互两帧点云间的特征信息，分别生成TX,TY\mathcal{T}_{\mathbf{X}}, \mathcal{T}_{\mathbf{Y}}TX​,TY​，随后用交互后的特征TX,TY\mathcal{T}_{\mathbf{X}}, \mathcal{T}_{\math

Learning multiview 3D point cloud registrationAbstract提出了一种全新的，端到端的，可学习的多视角三维点云配准算法。 多视角配准往往需要两个阶段：第一个阶段进行初始化配准，给定点云各帧之间两两的初始化刚体变换关系；第二个阶段在全局意义上进行不断精细化处理。前者往往由于点云之间的低重叠率，对称性，或者重复的场景片段而导致配准精度较差。因此，紧随其后的全局优化（Global Refinement）的目标就是在多个点云帧中建立一种循环一致性(cyclic c

DCP论文阅读笔记前言本文中图片仓库位于github，所以如果阅读的时候发现图片加载困难。建议挂个梯子。作者博客:https://codefmeister.github.io/论文Deep Closest Point: Learning Representations for Point Cloud RegistrationAuthor: Wang, Yue; Solomon, JustinMain Attribution基于ICP迭代最近点算法，提出基于深度学习的DCP算法。解决了IC

DGCNN前言与声明因为关心的领域主要是配准，对于分类等网络的架构设计分析并没有侧重太多，主要侧重的是EdgeConv的思想。文中图片全部来自于PointNet，PointNet++，DGCNN论文中的配图。若有侵权请联系笔者删除。转载请标明出处，谢绝商业转载。论文Dynamic Graph CNN for Learning on Point CloudsWang, Yue and Sun, Yongbin...核心思想:关于EdgeConv将点云表征为一个图，G(V,ξ){\rm{G}