《论文阅读28》OGMM

一、论文

  • 研究领域: 点云配准 | 有监督 部分重叠
  • 论文:Overlap-guided Gaussian Mixture Models for Point Cloud Registration
  • WACV 2023

二、概述

  • 概率3D点云配准方法在克服噪声、异常值和密度变化方面表现出有竞争力的性能 。本文将点云对的配准问题转化为两个高斯混合物的配准问题,通过最小化两个相应混合物之间的统计差异度量。
  • baseline: DeepGMR
  • backbone: DGCNN特征提取器
  • OGMM可以更好地检测重叠区域,这要归功于新引入的重叠分数(借鉴2021 CVPR Predator)

三、详述

点云配准方法可以大致分为无对应 和基于对应28。

  • 无对应配准方法旨在最小化从两个输入点云提取的全局特征之间的差异28,18,1。这些全局特征通常基于点云的所有点来计算,使得无对应性方法不足以处理具有部分重叠的场景,例如在真实的世界中捕获的场景51,6。
  • 基于对应关系的配准方法依赖于两个输入点云之间的点级对应关系10,39,2。尽管显示出有希望的结果,但这些方法遭受两个主要挑战:i)由于传感器噪声和密度变化,真实世界的点云不包含精确的点级对应关系17,49,36; ii)对应搜索空间的大小随着两个点云的点的数量二次增加49。

找到点对点对应的另一种方法是通过概率模型使用分布到分布的匹配17,49。这些概率配准技术比它们的点对点对应物显示出对噪声和密度变化的更大鲁棒性 36,然而,它们通常要求它们的输入共享相同的分布参数(例如,高斯混合模型)。因此,它们只能处理完全到完全 49或部分到完全 36的点云配准设置。在现实世界应用中典型的部分到部分设置可能具有不相交的分布参数。因此,当在这些设置中使用最先进的方法时,极有可能表现不佳。

完全到完全:

部分到完全:

部分到部分:

相关推荐
天树星智源2 天前
记忆该记「赔率跳变」:机器人长时程十连任务,事件记忆 88.0%,删掉失败记录只剩 1.7%
论文阅读·人工智能·机器人
XLYcmy3 天前
ASR 识别任务:两篇论文阅读分析与系统方案技术报告 当前报告的建议和改进方向
论文阅读·论文笔记·token·commit·asr·论文分享·tokenizer
XLYcmy4 天前
ASR 识别任务:两篇论文阅读分析与系统方案技术报告 当前报告不足
论文阅读·论文笔记·token·cuda·asr·论文分享·tokenizer
feasibility.5 天前
LeCun团队世界模型JEPA首登无人机:9K参数模型,零样本Sim-to-Real飞入100Hz闭环
论文阅读·嵌入式·无人机·具身智能·世界模型·杨立昆·jpea
XLYcmy5 天前
ASR识别任务两篇论文阅读分析与系统方案技术报告 上
论文阅读·ai·gpu·asr·论文分享·speechbrain·wespeaker
Zucker n6 天前
文献发现、课题组织与证据可追溯的论文阅读。
论文阅读·windows·ubuntu
西柚小萌新6 天前
【论文阅读】--可信LLM智能体的威胁与对策 综述
论文阅读
Rocky Ding*6 天前
【三年面试五年模拟】2026-11-05_月之暗面大模型算法岗一面、二面面经全解析
论文阅读·人工智能·深度学习·机器学习·aigc·强化学习·ai-native
Rocky Ding*8 天前
REPA-E技术深度解析:解冻 VAE 之后,扩散模型为什么需要选择梯度
论文阅读·人工智能·深度学习·机器学习·aigc·ai-native·repa-e
Rocky Ding*9 天前
【三年面试五年模拟】2026-11-01_字节跳动AI Agent全栈研发一面面经全解析
论文阅读·人工智能·深度学习·机器学习·aigc·ai-native·ai agent