SR-Net：一种基于深度学习的异构点云配准方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：SR-Net: A Heterogeneous Point Clouds Registration Method Based on Deep Learning

　　

摘要：

由于传感器成像机制的差异以及获取图像时的条件限制，注册城市场景中异构点云的任务尤为具有挑战性。相关挑战包括大量异常值、点云密度相差数个数量级、点云之间的重叠率低、数据稀缺以及较大的旋转角度导致数据分布严重不匹配。这些问题给传统的点云注册方法以及基于深度学习进行特征提取的方法带来了显著的性能瓶颈。为了解决这些问题，本研究提出了一种名为超级点注册网络（SR-Net）的异构点云注册框架。SR-Net 包括一个基于 KPConv 的金字塔特征提取模块、一个超级点特征提取与匹配模块、一个局部特征提取模块以及一个从局部到全局的注册方法。为了提高模型从不同分辨率的异构点云中提取特征的能力，作者提出了一种自适应的 Top-K 点云填充方法。该模型结合了自注意力（self-attention）和交叉注意力（cross-attention）机制来捕捉点云内的几何结构及其之间的几何一致性。超级点中包含的几何信息通过几何结构嵌入进行编码。最后，为了弥补标注多模态数据的稀缺性，我们在大规模的同源基准数据集上对模型进行了预训练，使其能够学习跨领域的不变几何特征先验，从而在作者收集的数据集上稳定收敛，该数据集的特征分布存在显著差异。我们通过一系列逐步的实验系统（EXP-I～VII）对所提出的模型进行了全面验证，这些实验涵盖了基本...

显示更多