摘要
我们介绍了Lepard，这是一种基于学习的方法，用于刚性和可变形场景中的部分点云匹配。该方法的关键特性包括以下几种利用3D位置知识进行点云匹配的技术：1）一种将点云表示分解为特征空间和3D位置空间的架构。2）一种通过向量的点积显式揭示3D相对距离信息的位置编码方法。3）一种修改跨点云相对位置的重新定位技术。消融研究证明了上述技术的有效性。在刚性场景中，Lepard结合RANSAC和ICP算法，在3DMatch / 3DLoMatch数据集上展示了93.9% / 71.3%的最先进的注册召回率。在可变形场景中，Lepard在我们新构建的4DMatch / 4DLoMatch基准测试中，非刚性特征匹配召回率比现有技术高出27.1% / 34.8%。
代码仓库
rabbityl/lepard
官方
pytorch
GitHub 中提及
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| partial-point-cloud-matching-on-4dmatch | D3Feat (1000) | IR: 52.7 NFMR: 51.6 |
| partial-point-cloud-matching-on-4dmatch | Li and Harada (θc=0.05) | IR: 80.9 NFMR: 83.9 |
| partial-point-cloud-matching-on-4dmatch | Predator (3000) | IR: 60.4 NFMR: 56.4 |
| partial-point-cloud-matching-on-4dmatch | D3Feat (3000) | IR: 54.7 NFMR: 55.5 |
| partial-point-cloud-matching-on-4dmatch | Predator (1000) | IR: 60 NFMR: 53.3 |
| partial-point-cloud-matching-on-4dmatch | Predator (5000) | IR: 59.3 NFMR: 56.8 |
| partial-point-cloud-matching-on-4dmatch | D3Feat (5000) | IR: 55.3 NFMR: 56.1 |
| partial-point-cloud-matching-on-4dmatch | Li and Harada (θc=0.1) | IR: 82.7 NFMR: 83.7 |
| partial-point-cloud-matching-on-4dmatch | Li and Harada (θc=0.2) | IR: 85.4 NFMR: 82.2 |