首页|深度学习刚性点云配准前沿进展

深度学习刚性点云配准前沿进展

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
随着3维采集设备的日渐推广,点云配准在越来越多的领域得到应用.然而,传统方法在低重叠、大量噪声、多异常点和大场景等方面表现不佳,这限制了点云配准在真实场景中的应用.面对传统方法的局限性,结合深度学习技术的点云配准方法开始出现,本文将这种方法称为深度点云配准,并对深度点云配准方法研究进展予以综述.首先,根据有无对应关系对目前的深度学习点云配准方法进行区分,分为无对应关系配准和基于对应关系的点云配准.针对基于对应关系的配准,根据各类方法的主要功能进行详细的分类与总结,其中包括几何特征提取、关键点检测、点对离群值去除、姿态估计和端到端配准,并重点介绍了最新出现的一些方法;针对无对应配准方法,详细介绍了各类方法的特点并对无对应与有对应方法的特点进行了总结.在性能评估中,首先对现有主要的评价指标进行了详细的分类与总结,给出其适用场景.对于真实数据集,给出了特征匹配、点对离群值去除的对比数据,并进行了总结.在合成数据集中,给出了相关方法在部分重叠、实时性和全局配准场景下的对比数据.最后讨论了当前深度点云配准面临的挑战并给出对未来研究方向的展望.
Review on deep learning rigid point cloud registration

秦红星、刘镇涛、谭博元

展开 >

重庆邮电大学计算机科学与技术学院,重庆 400065

重庆大学计算机学院,重庆 400030

点云配准 深度学习 无对应配准 端到端配准 对应关系 几何特征提取 离群值去除 综述

国家自然科学基金

61772097

2022

中国图象图形学报
中国科学院遥感应用研究所,中国图象图形学学会 ,北京应用物理与计算数学研究所

中国图象图形学报

CSTPCDCSCD北大核心
影响因子：1.111
ISSN：1006-8961
年,卷(期)：2022.27(2)
  • 11
  • 1