摘要

PointNet 已经彻底改变了我们对点云表示的理解。在分类和分割任务中，该方法及其后续扩展处于行业领先水平。然而，迄今为止，PointNet 在点云配准中的成功应用仍然难以实现。本文认为 PointNet 本身可以被视为一种可学习的“成像”函数。因此，经典的视觉算法（如 Lucas & Kanade (LK) 算法）可以应用于图像对齐问题。我们的核心创新在于：(i) 如何修改 LK 算法以适应 PointNet 成像函数；(ii) 将 PointNet 和 LK 算法展开为一个单一的可训练递归深度神经网络。我们描述了该架构，并在常见的配准场景中将其性能与现有最佳方法进行了比较。该架构具有一些显著特性，包括：跨形状类别的泛化能力和计算效率——为将深度学习应用于点云配准开辟了新的探索路径。代码和视频可在 https://github.com/hmgoforth/PointNetLK 获取。