CorrNet3D:基于无监督的非刚性点云配准网络 (CVPR2021)

3D视觉工坊

共 1047字,需浏览 3分钟

 ·

2021-08-25 08:41

论文、代码地址:在公众号「3D视觉工坊」,后台回复「CorrNet3D」,即可直接下载。


一、引言
点云因其能够精准地反映物体的真实尺寸和形状结构而备受人们青睐,被广泛应用于自动驾驶、VR/AR等领域。本文致力于研究点云视觉任务中一个基础而关键的问题——构建点云序列之间点与点之间的对应关系,该问题在点云配准、三维重建、目标识别与跟踪、地图构建与定位等方面均有着广泛的应用,是目前研究领域关注和研究的热点。

二、动机

图 1 本文的动机示意图
三、网络结构

图 2 CorrNet3D网络结构图


图 3 匹配关系计算流程示意图

图 4 变形模块的网络结构

四、实验结果

文章在真实的非刚性形变数据集与合成的刚性形变数据集上进行了实验,同时还针对刚性点云匹配关系的确定进行了实验,与DeepGFM、DCP与RPMNet进行了对比,详细实验设置请参照原论文。

下图中(a)、(d)展示了ground-truth的匹配关系,图(c)是DeepGFM的结果,图(b)是本文模型的结果。

下图展示了CorrNet3D在真实扫描数据集上的效果。
下图中(a)、(f)展示了ground-truth的匹配关系,(b)-(e)分别对应DCP、RPMNet、CorrNet3D以及S-CorrNet3D(有监督)的结果。
备注:作者也是我们「3D视觉从入门到精通」特邀嘉宾:一个超干货的3D视觉学习社区

原创征稿

初衷
3D视觉工坊是基于优质原创文章的自媒体平台,创始人和合伙人致力于发布3D视觉领域最干货的文章,然而少数人的力量毕竟有限,知识盲区和领域漏洞依然存在。为了能够更好地展示领域知识,现向全体粉丝以及阅读者征稿,如果您的文章是3D视觉CV&深度学习SLAM三维重建点云后处理自动驾驶、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、硬件选型、求职分享等方向,欢迎砸稿过来~文章内容可以为paper reading、资源总结、项目实战总结等形式,公众号将会对每一个投稿者提供相应的稿费,我们支持知识有价!
投稿方式
邮箱:vision3d@yeah.net 或者加下方的小助理微信,另请注明原创投稿。
▲长按加微信联系

▲长按关注公众号

浏览 66
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报