本文同步于微信公众号：3D视觉前沿，欢迎大家关注。
本期带来上周在arXiv公开的相关论文共6篇，其中涉及点云配准与对应等，这里只是给出大致简介，详细了解可阅读原文。
一、点云配准与对应
1. [arXiv] 3D Correspondence Grouping with Compatibility Features
-
作者机构：Jiaqi Yang, et al. Northwestern Polytechnical University, etc.
-
论文地址：https://arxiv.org/pdf/2007.10570.pdf
-
简介：作者提出了一种简单但有效的3D对应分组方法，目的是将通过将局部几何描述符匹配得到的对应关系，划分为内点和外点。尽管对应关系的空间分布是不规则的，但内点之间在几何上应当是彼此兼容的。基于这种观察，作者提出了一种3D对应关系的新颖表示形式，称为兼容特征（compatibility feature，CF），以描述内点的一致性和外点的不一致性。 CF由候选点与其他对应关系的高排序的相容性评分组成，这完全取决于鲁棒且旋转不变的几何约束。其次，作者将分组问题转化为CF特征的分类问题，通过一个简单的多层感知器（MLP）网络实现。在四个基准数据集上与九种最新方法的比较表明：1）CF具有独特性、鲁棒性和旋转不变性； 2）基于CF的方法取得了最佳的整体性能，并具有良好的泛化能力。
2. [ITSC] DeepCLR: Correspondence-Less Architecture for Deep End-to-End Point Cloud Registration -
作者机构：Markus Horn, et al. Ulm University
-
论文地址：https://arxiv.org/pdf/2007.11255.pdf
-
简介：这项工作解决了使用深度神经网络进行点云配准的问题。作者提出了一种方法来预测具有重叠部分但原点偏移的两片点云之间的对齐变换，例如移动平台上LiDAR的连续扫描结果。对原始点云进行深度配准的主要困难是模板和源点云的融合问题。 作者提出的方法应用了流嵌入（flow embedding）来解决此问题，它能够生成描述每个模板点运动的特征。 这些特征可用于以端到端的方式预测对齐变换，而无需显式地提取两片输入点云之间的对应关系。 作者基于KITTI odometry和ModelNet40数据集来评估算法在各种点云分布上的性能，结果表明，提出的方法达到了当前最优的精确度，并且运行时间与同类方法相比最低。
3. [ECCV] DH3D: Deep Hierarchical 3D Descriptors for Robust Large-Scale 6DoF Relocalization -
论文机构：Juan Du, et al. Technical University of Munich & Artisense
-
论文地址：https://arxiv.org/pdf/2007.09217.pdf
-
论文代码：https://vision.in.tum.de/research/vslam/dh3d
-
简介：对于大规模点云中的重定位问题，作者首次提出了一种将全局位置识别和局部6DoF姿态优化结合在一起的方法。首先，作者设计了一个Siamese网络，该网络可以直接从原始3D点云中，同时学习3D局部特征检测器和描述符。它集成了FlexConv和 Squeeze-and-Excitation（SE），以确保学习的局部描述符能够捕获多层几何信息以及通道间的关系。为了检测3D关键点，作者以无监督的方式预测局部描述符的区分性。通过有效的注意力机制，作者直接将学习到的局部描述符聚合来生成全局描述符。通过这种方式，单次前馈就可以推断出局部和全局3D描述符。在各种基准数据上进行的实验表明，作者的方法在全局点云检索和局部点云配准方面，与最新方法相比均获得了竞争性结果。为了验证3D关键点的泛化性和鲁棒性，作者证明了提出的方法在不对由vSLAM生成点云的配准结果进行微调的情况下，也能取得较好的性能。
4. [ECCV] Mapping in a Cycle: Sinkhorn Regularized Unsupervised Learning for Point Cloud Shapes -
作者机构：Lei Yang, et al. The University of Hong Kong & Fuzhou University
-
论文地址：https://arxiv.org/pdf/2007.09594.pdf
-
简介：作者提出了一个无监督的学习框架，旨在基于循环一致性原理，寻找同一类形状点云之间的稠密对应。 为了从点云数据中学习区分性强的逐点特征，作者引入了基于Sinkhorn归一化的正则化项，以将学习到的逐点映射增强为尽可能的双射。此外，还引入了对源形状的随机刚性变换，以形成三元循环来提高模型抵抗扰动的鲁棒性。全面的实验表明，通过提出的框架学习到的逐点特征，可以使各种点云分析任务受益，例如部分形状配准和关键点转移任务。 作者还表明，学习到的逐点特征还可以被有监督的方法使用来提高形状部分分割的性能，不管使用全部的训练集还是仅使用一小部分。
5. [ECCV] PointContrast: Unsupervised Pre-training for 3D Point Cloud Understanding -
作者机构：Saining Xie, et al. Facebook AI Research & Stanford University
-
论文地址：https://arxiv.org/pdf/2007.10985.pdf
-
简介：可以说，深度学习最成功的故事之一就是转移学习。在丰富的源数据集（例如ImageNet）上对网络进行预训练后，再在通常较小的目标集上进行微调，就可以帮助提高算法性能。这一发现对于语言和视觉的许多应用都非常有帮助，然而对其在3D点云理解中的实用性知之甚少。考虑到3D数据标注所需要的工作量，作者认为这是一个有潜力的研究方向。在这项工作中，作者旨在促进3D表示学习的研究。与以往工作不同，作者专注于高层次的场景理解任务。为此，作者选择了一套多样化的数据集和任务，来衡量在大型3D场景数据集上进行无监督预训练对算法的影响。作者发现：使用统一的三元组架构、源数据集和对比损失进行预训练，能够在包含室内和室外、真实和合成的6个数据集上，对目标分割和检测的最新最佳结果带来提升，这表明学习到的表示可以跨领域进行泛化。此外，这种改进类似于有监督的预训练，表明未来的工作应该更倾向于扩展数据集的量而不是进行更详细的注释。
6. [TPAMI2018] Re-weighting and 1-Point RANSAC-Based PnP Solution to Handle Outliers -
作者机构：Haoyin Zhou, et al. Harvard Medical School & Tsinghua University
-
论文地址：https://arxiv.org/pdf/2007.08577.pdf
-
论文代码：https://github.com/haoyinzhou/PnP_Toolbox
-
简介：处理离群值的能力对于在实际应用中使用PnP方法至关重要，但是传统的RANSAC+P3P或P4P方法具有很高的时间复杂度。作者提出了一种名为R1PPnP的快速PnP解决方案，利用一个soft re-weighting机制和1点RANSAC方案来处理异常值。作者首先提出了一种PnP算法，是R1PPnP的核心，用于解决无离群值情况下的PnP问题。该算法的核心是一种使用随机控制点使目标函数最小化的最佳过程。其次，为了减少离群值的影响，作者提出了一种基于重投影误差的重加权方法，并将其集成到核心算法中。最后，作者采用1点RANSAC方案尝试不同的控制点。使用合成数据和实际数据进行的实验表明，R1PPnP比RANSAC+P3P或P4P方法更快，特别是在异常值百分比很高的情况下，而且更准确。此外，在无异常值合成数据上的对比实验表明，R1PPnP几乎是最准确、最快速的PnP解决方案，通常可以用作RANSAC+P3P或P4P的最终优化步骤。与具有明确离群值处理机制的REPPnP算法相比，R1PPnP速度较慢，但不受REPPnP中对离群值百分比限制的影响。
