-
Title: 3D Registration with Maximal Cliques
-
Affiliation: School of Computer Science, Northwestern Polytechnical University, China
-
Authors: Xiyu Zhang, Jiaqi Yang, Shikun Zhang, Yanning Zhang
-
Keywords: 3D point cloud registration, maximal cliques, graph theory, SVD algorithm, deep learning
-
Summary:
-
(1): 本文主要解决3D点云配准的问题，并针对现有方法存在的缺陷提出了改进方案。
-
(2): 既有的3D配准方法可以分为两类：基于几何的方法和基于深度学习的方法。前者容易受到因局外点造成的影响，而后者则受到3D特征检测不准确的制约。本文通过最大团理论构建了一个兼容性图，并针对最大团组合方式进行改进，提高了3D点云配准精度。
-
(3): 本文提出了一种3D Registration with Maximal Cliques (MAC) 方法，主要步骤包括构建兼容性图，寻找最大团集合，针对团结合对点云位姿猜想并通过SVD算法求解，选取最佳猜想执行配准。
-
(4): 实验证明MAC方法有效地提高了3D点云配准的精度，与现有方法相比表现更加优异，且能够提升深度学习方法的性能表现。在多个数据集上进行的实验证明，MAC与深度学习方法相结合可以实现最新配准召回率，分别为3DMatch / 3DLoMatch高达95.7％/ 78.9％。
- Methods:
-
(1): 本文提出了一种3D Registration with Maximal Cliques (MAC) 方法，针对现有方法存在的缺陷进行改进，主要包括下列步骤：
-
(2): 构建兼容性图：通过计算两组3D点云之间的关联度，以及利用最大团理论的优势，建立兼容性图，将关联性强的3D点云分为一组。
-
(3): 寻找最大团集合：根据兼容性图，找出所有最大的子集合，这些子集合代表了一组具有强关联性的3D点云。
-
(4): 对点云位姿猜想并通过SVD算法求解：对于每个最大团集合，采用一种启发式的方式对点云的初始姿势进行估计，然后针对每个候选位姿执行SVD算法并评估其质量。
-
(5): 最佳猜想执行配准：在剩余的候选位姿中选择具有最小误差的最佳猜想，并将其用作初始位姿进行配准。
- Conclusion:
-
(1): 本文提出了一种基于最大团的3D点云配准方法，称为MAC，该方法通过构建兼容性图和寻找最大团集合来提高配准的精度。与现有方法相比，实验结果表明MAC在多个数据集上具有更高的召回率。文章来源：https://www.toymoban.com/news/detail-611354.html
-
(2): 创新点：本文的最大创新点在于提出了一种基于最大团的兼容性图构建方法，用于3D点云之间的关联性建模；性能：实验结果证明，本文提出的MAC方法在多个数据集上俱有更高的配准精度，而且可以提升深度学习方法的性能表现；负担：本文提出的方法需要进行复杂的图论计算和SVD算法求解，需要较大的计算量和时间成本。文章来源地址https://www.toymoban.com/news/detail-611354.html
到了这里，关于CVPR2023新作：3D点云配准--3D Registration with Maximal Cliques的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
![[点云配准]LCD(2D-3D特征配准算法)例程align_point_cloud.py解析](https://imgs.yssmx.com/Uploads/2024/02/481623-1.png)
