RegScorer:学习选择最佳点云配准变换方法
《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》:RegScorer: Learning to select the best transformation of point cloud registration
【字体:
大
中
小
】
时间:2026年01月28日
来源:ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING 12.2
编辑推荐:
杨晓晨|王海平|刘缘|杨碧生|董震
武汉大学测绘与遥感信息工程国家重点实验室,珞喻路129号,武汉,430079,中国
**摘要**
我们提出了RegScorer模型,该模型能够学习识别用于对齐未对齐点云的最优变换。现有的配准方法可以生成一组候选变换,然后使用传统的
杨晓晨|王海平|刘缘|杨碧生|董震
武汉大学测绘与遥感信息工程国家重点实验室,珞喻路129号,武汉,430079,中国
**摘要**
我们提出了RegScorer模型,该模型能够学习识别用于对齐未对齐点云的最优变换。现有的配准方法可以生成一组候选变换,然后使用传统的评估指标(如内点比率(IR)、均方误差(MSE)或 Chamfer 距离(CD)来评估这些变换。得分最高的候选变换被选为最终结果。然而,我们认为这些指标往往无法选择正确的变换,特别是在涉及对称物体、重复结构或重叠区域较小的复杂场景中。这导致配准性能显著下降,而这一问题长期以来被忽视了。核心问题在于它们过于关注局部几何一致性,未能捕捉到两种关键的错配情况:(1)对齐后空间位置接近但特征冲突的点对;(2)对齐后特征相似但空间距离较大的点对。为了解决这个问题,我们提出了RegScorer,它同时建模了所有点对的空间和特征关系。这使得RegScorer能够捕捉到上述冲突情况,并为变换质量提供了更可靠的评估指标。在3DLoMatch和ScanNet数据集上,RegScorer的配准召回率分别提高了19.3%和14.1%,多视图配准的准确率分别提高了4.7%和5.1%。此外,当应用于对称和纹理较低的室外场景时,RegScorer的变换召回率比IR指标高出25%,显示出其鲁棒性和泛化能力。预训练模型和完整的代码库可在以下地址获取:https://github.com/WHU-USI3DV/RegScorer。
**引言**
点云配准将扫描数据对齐到一个统一的坐标系统中,为自动驾驶(Zhao等人,2024年)、机器人操作(Yang等人,2024a年)和3D重建(Dong等人,2020年;Monji-Azad等人,2023年)等下游应用提供了可靠的基础。如图1(a)所示,现有方法通常遵循一个标准流程:首先学习点云的鲁棒表示并建立点对应关系(Gojcic等人,2019年);然后基于这些对应关系估计一组候选变换(Qin等人,2022年);最后根据预定义的指标(如内点比率(IR,衡量空间一致的点对比例)、均方误差(MSE)或基于最近邻距离的Chamfer距离(CD)选择最终对齐结果(Chen等人,2022a年)。尽管这些步骤显著提高了候选变换的质量,但一个长期被忽视的问题是:这些指标能否真正从中选出最优解?
为了探讨这个问题,我们在图1(b)中进行了实验。对于3DLoMatch数据集中的每对点云,我们使用YOHO(Wang等人,2022年)生成了1000个候选变换。接着评估了两个召回率指标:(a)Oracle召回率报告了候选变换集中至少包含一个与真实值误差小于阈值θ的正确变换的点云对的比例;(b)指标选择的召回率报告了由不同指标选出的正确变换的比例。我们发现,在近20%的点云对中,候选变换集至少包含一个正确变换,但这些指标都无法识别它。这一显著差异表明,变换选择仍然是实现可靠点云配准的关键瓶颈。
在涉及对称物体、重复纹理或重叠区域较小的复杂场景中,常常会出现错误,这些场景容易产生具有较高指标值的误导性候选变换(Cai等人,2023年)。图1(c-ii)中的示例显示,错误的变换虽然使对称沙发对齐正确,但仍然获得了较高的IR值和较低的基于距离的误差,同时导致桌子区域明显错位。图1(c-iv)中,错误的变换虽然使重复的铁路轨道对齐正确,但IR值和误差指标较低,但却引入了路边建筑的明显错位。这些指标仅关注同时具有特征相似性和空间接近性的“理想点对”,而忽略了两种关键的冲突情况:(1)空间接近但特征不同的点对(图1c-ii中的桌子区域);(2)特征相似但空间距离较大的点对(图1c-iv中的建筑物)。这些冲突情况是错误变换的强烈指示,但在传统的基于距离的评分方法中被忽略了。
这种直觉激发了我们开发RegScorer的灵感,这是一个简单而有效的基于学习的候选变换选择框架。其核心思想是明确建模上述冲突模式以识别错误的对齐情况。具体来说,对于每个将点云对齐的候选变换,我们计算每个点与其在空间空间中的最近邻点的空间距离和特征相似性,以及与其在特征空间中的最近邻点的特征相似性和空间距离。这些双重视角测量既捕捉了理想的配准模式(高几何和语义一致性),也捕捉了冲突情况(空间-特征不匹配)。我们将这些信息整合到一个结构化的表示中,并输入到经过训练的网络中,网络能够识别这些模式并输出候选变换的可靠性评分。
在室内外数据集上的广泛实验验证了RegScorer的有效性。在具有场景对称性、重复纹理和重叠区域较小的复杂场景中,RegScorer始终能选择更准确的配准结果(见图1(c))。在3DLoMatch和ScanNet数据集上的实验表明,RegScorer分别将配准召回率提高了19.3%和14.1%;当应用于对称和纹理较低的室外场景时,其变换召回率比IR指标高出25%,显示出其鲁棒性和泛化能力。此外,由于设计轻量级,RegScorer在Intel i7-10700 CPU和NVIDIA RTX 3070 GPU上每对点云的评估仅需0.16秒。
**相关工作**
点云配准的可靠性取决于两个关键阶段:生成合理的候选变换和准确选择最优对齐方案。在本节中,我们回顾了与这些任务相关的现有文献,并将其分为两个主要部分。首先,我们分析了变换选择指标,讨论了流行的基于空间距离的标准及其局限性,并探讨了质量评估方面的最新进展。其次,我们回顾了...
**方法**
给定两个点云P=πi∈R^M×3∣i=1,…,M和Q=qi∈R^N×3∣i=1,…,N,以及通过任何配准方法获得的候选变换T={R∈SO(3), t∈R^3},我们的目标是给出一个0≤s≤1的分数s,以反映变换T的配准质量。
**结论**
我们提出了RegScorer,这是一种创新的基于学习的点云配准变换评估和选择方法。通过同时考虑空间距离和特征相似性之间的一致性,RegScorer能够有效识别出那些空间位置接近但特征相似性较低,或特征相似但空间距离较大的点对之间的错误对齐。这种检测能力使RegScorer能够区分正确变换和由局部最优解引起的误匹配。
**作者贡献声明**
杨晓晨:撰写 – 审稿与编辑、撰写 – 初始草稿、可视化、验证、方法论、数据管理。
王海平:撰写 – 审稿与编辑、可视化、方法论。
刘缘:撰写 – 审稿与编辑、方法论。
杨碧生:撰写 – 审稿与编辑、监督、项目管理、资金获取。
董震:撰写 – 审稿与编辑、监督、项目管理、方法论。
**利益冲突声明**
作者声明他们没有已知的财务利益冲突或个人关系可能会影响本文的研究结果。
**致谢**
本研究得到了中国国家自然科学基金(项目编号42130105)的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号