摘要

点云配准是众多计算领域中的关键任务。以往基于对应匹配的方法依赖输入点云具有显著的几何结构，以便通过逐点稀疏特征匹配来拟合三维刚性变换。然而，变换的精度高度依赖于所提取特征的质量，而这些特征在面对部分性（partiality）和噪声时极易产生误差。此外，这类方法无法充分利用所有重叠区域的几何信息。另一方面，以往基于全局特征的方法虽然能够利用整个点云进行配准，但在聚合全局特征时却忽略了非重叠点的负面影响。本文提出OMNet——一种基于全局特征的迭代网络，用于部分到部分的点云配准。我们通过学习重叠区域掩码，主动剔除非重叠区域，从而将部分到部分的配准问题转化为相同形状之间的配准问题。此外，我们采用更为实际的数据生成方式：对每个物体的CAD模型分别进行两次采样，分别作为源点云和参考点云，避免了以往方法中仅从CAD模型采样一次而导致的源与参考点云完全相同所引发的过拟合问题。实验结果表明，与传统方法及基于深度学习的方法相比，本方法在性能上达到当前最优水平。代码已开源，地址为：https://github.com/megvii-research/OMNet。