迭代最近点(Iterative Closet Point,ICP)算法及其变体是两个点集之间刚性配准的基本技术,在机器人技术和三维重建等领域有着广泛的应用。ICP的主要缺点是:收敛速度慢,以及对异常值、缺失数据和部分重叠的敏感性。其他改进算法(例如:稀疏ICP),通过稀疏性优化实现鲁棒性,但代价是计算速度较慢。因此,张举勇等人提出了Fast and Robust ICP方法,该方法的主要思路是通过安德森加速方法(Anderson Acceleration)来加快Majorization-Minimization(MM)算法收敛速度。在此基础上,提出了一种基于Welsch函数的鲁棒误差度量方法,利用安德森加速的MM算法有效地最小化该误差度量。在具有噪声和部分重叠的数据集上,获得了与稀疏ICP相似或更好的精度,处理速度比先前算法快一个数量级。该方法最后将基于Welsch函数的鲁棒误差度量方法扩展到点对平面的ICP,并使用类似的安德森加速MM策略来解决由此产生的问题。Robust ICP提高了基准数据集上的配准精度,同时在计算时间上具有竞争力。
相关推荐
pianmian13 小时前
python数据结构基础(7)好奇龙猫5 小时前
【学习AI-相关路程-mnist手写数字分类-win-硬件:windows-自我学习AI-实验步骤-全连接神经网络(BPnetwork)-操作流程(3) 】sp_fyf_20246 小时前
计算机前沿技术-人工智能算法-大语言模型-最新研究进展-2024-11-01香菜大丸6 小时前
链表的归并排序jrrz08286 小时前
LeetCode 热题100(七)【链表】(1)oliveira-time6 小时前
golang学习2南宫生7 小时前
贪心算法习题其四【力扣】【算法学习day.21】懒惰才能让科技进步8 小时前
从零学习大模型(十二)-----基于梯度的重要性剪枝(Gradient-based Pruning)Ni-Guvara8 小时前
函数对象笔记泉崎8 小时前
11.7比赛总结