Autor del artículo | Haiping Wang, Haiping Wang, Haiping Wang, et al.
Fuente de papel | CVPR2023
Interpretación del artículo | William
1. Resumen
Los métodos de registro de vista múltiple anteriores se basan en un registro por pares exhaustivo para construir un gráfico de pose densamente conectado y aplicar mínimos cuadrados reponderados iterativamente (IRLS) en el gráfico de pose para calcular las poses de escaneo. Sin embargo, la construcción de un gráfico densamente conectado requiere mucho tiempo y contiene una gran cantidad de bordes atípicos, lo que dificulta que los IRLS posteriores encuentren poses precisas.
Para abordar los problemas anteriores, se propone una red neuronal para estimar la tasa de superposición entre los pares de escaneo y construir un mapa de pose disperso y confiable. Luego, se diseña una nueva función de reponderación de historial en IRLS, que es resistente a los bordes atípicos en el gráfico.
En comparación con los métodos de registro de vista múltiple existentes, la tasa de recuperación de registro de este método en el conjunto de datos 3DMatch aumenta en un 11 % y el error de registro en el conjunto de datos ScanNet se reduce en un 13 %, una reducción del 70 %. Los experimentos de ablación demuestran la eficacia de nuestro método. El código fuente es de código abierto en: https://github.com/WHUUSI3DV/SGHR
2 contribuciones principales
1. Aprendió una buena inicialización del mapa de pose de entrada, evitando un registro exhaustivo por pares y reduciendo la proporción de valores atípicos
2. Se propone una nueva función de reponderación de historial para que la corrección de actitud del esquema IRLS tenga una convergencia estable
3. El método de este documento se evaluó en tres conjuntos de datos de referencia ampliamente utilizados, 3DMatch/3DLoMatch, ScanNet y ETH, y todos lograron resultados relativamente avanzados.
3 Estructura de la red
Para un conjunto de puntos de escaneo que están desalineados en la misma escena 3D P=\{P_{i}|i=1,...,N\}, el objetivo del registro de múltiples vistas es recuperar la imagen global subyacente. pose de escaneo
, aplicando la estructura de red que se muestra en la Figura 1.
Figura 1 Estructura de la red
6. Conclusión
En este artículo, se propone un nuevo método para el registro de nubes de puntos de vista múltiple. La clave del método se basa en la construcción del mapa de pose dispersa aprendida, que puede estimar la relación de superposición entre dos escaneos y puede seleccionar pares de escaneos con una superposición alta para construir un mapa disperso y confiable.
En base a esto, se propone una nueva función de ponderación de historial, que mejora la solidez del esquema IRLS frente a valores atípicos y tiene una mejor convergencia para la corrección de pose. El método propuesto logra un rendimiento de última generación en conjuntos de datos tanto de interior como de exterior con muchos menos registros por pares.
Fuente: Deep Blue School EDU