摘要
点云在部分重叠情况下的刚性配准是一个长期存在的问题，通常通过两个步骤解决：(a) 在点云之间寻找对应关系；(b) 对这些对应关系进行过滤，仅保留最可靠的匹配以估计变换参数。近年来，已有若干深度神经网络被提出，用于联合求解上述两个步骤。本文在这些工作的基础上，提出了一种名为PCAM的神经网络，其核心机制是点对点的交叉注意力矩阵乘积，该机制能够融合低层几何信息与高层上下文信息，从而更有效地发现点对应关系。此外，这些交叉注意力矩阵还允许在每一网络层中实现两组点云之间的上下文信息交互，有助于在网络重叠区域构建更具判别性的匹配特征。实验结果表明，PCAM在与本文方法类似、通过深度网络联合求解步骤(a)和(b)的现有方法中，达到了当前最优的性能水平。相关代码与训练好的模型已公开发布于：https://github.com/valeoai/PCAM。
代码仓库
valeoai/pcam
官方
pytorch
GitHub 中提及
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| point-cloud-registration-on-3dlomatch-10-30 | PCAM (reported in REGTR) | Recall ( correspondence RMSE below 0.2): 54.9 |
| point-cloud-registration-on-3dmatch-at-least-1 | PCAM-Sparse (All post-processing) | RE (all): 8.9 Recall (0.3m, 15 degrees): 92.4 TE (all): 0.23 |
| point-cloud-registration-on-3dmatch-at-least-1 | PCAM-Soft (All post-processing) | RE (all): 9.8 Recall (0.3m, 15 degrees): 91.3 TE (all): 0.24 |
| point-cloud-registration-on-3dmatch-at-least-2 | PCAM (reported in REGTR) | Recall ( correspondence RMSE below 0.2): 85.5 |
| point-cloud-registration-on-kitti-fcgf | PCAM-Sparse + ICP | RE (all): 1.04 Recall (0.6m, 5 degrees): 97.4 TE (all): 0.17 |
| point-cloud-registration-on-kitti-fcgf | PCAM-soft + ICP | RE (all): 0.79 Recall (0.6m, 5 degrees): 98 TE (all): 0.12 |
| point-cloud-registration-on-kitti-fcgf | PCAM-Sparse | RE (all): 1.17 Recall (0.6m, 5 degrees): 96.5 TE (all): 0.22 |
| point-cloud-registration-on-kitti-fcgf | PCAM - Soft | RE (all): 1.00 Recall (0.6m, 5 degrees): 97.2 TE (all): 0.18 |