Matching Distance and Geometric Distribution Aided Learning Multiview Point Cloud Registration

要約

Multiview Pointクラウド登録は、ロボット工学、自動化、およびコンピュータービジョンフィールドで重要な役割を果たします。
このペーパーでは、マルチビュー登録内のポーズグラフ構造とモーションの同期に集中しています。
ポーズグラフ構造のための以前の方法では、多くの場合、完全に接続されたグラフを剪定するか、ローカル記述子から集約されたグローバルな特徴を使用してスパースグラフを構築しましたが、これは一貫して信頼できる結果をもたらさない可能性があります。
ポーズグラフ構造のための信頼できるペアを識別するために、ポイントクラウドペア間の一致する距離から情報を抽出するネットワークモデルを設計します。
モーションの同期については、不正確な手作りの損失関数を最適化するのではなく、データ駆動型の方法で絶対ポーズを計算する別のニューラルネットワークモデルを提案します。
私たちのモデルは、幾何学的な分布情報を考慮し、柔軟で信頼できる機能の相互作用を促進するために修正された注意メカニズムを採用しています。
多様な屋内および屋外データセットの実験結果は、アプローチの有効性と一般化可能性を確認します。
ソースコードは、https：//github.com/shi-qi-li/mdgdで入手できます。

要約(オリジナル)

Multiview point cloud registration plays a crucial role in robotics, automation, and computer vision fields. This paper concentrates on pose graph construction and motion synchronization within multiview registration. Previous methods for pose graph construction often pruned fully connected graphs or constructed sparse graph using global feature aggregated from local descriptors, which may not consistently yield reliable results. To identify dependable pairs for pose graph construction, we design a network model that extracts information from the matching distance between point cloud pairs. For motion synchronization, we propose another neural network model to calculate the absolute pose in a data-driven manner, rather than optimizing inaccurate handcrafted loss functions. Our model takes into account geometric distribution information and employs a modified attention mechanism to facilitate flexible and reliable feature interaction. Experimental results on diverse indoor and outdoor datasets confirm the effectiveness and generalizability of our approach. The source code is available at https://github.com/Shi-Qi-Li/MDGD.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google