3D点云完美匹配

最新推荐文章于 2025-07-22 09:56:05 发布

wujianming_110117

最新推荐文章于 2025-07-22 09:56:05 发布

阅读量2.1k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：三维点云成像技术大数据

吴建明

本文链接：https://blog.csdn.net/wujianing_110117/article/details/106340513

本文介绍了3DSmoothNet，一种使用体素化平滑密度值（SDV）的3D点云匹配方法。通过暹罗深度学习架构和全卷积层，实现旋转不变性。3DSmoothNet在3DMatch基准上取得了高召回率，且在低输出维度下具有高效性能，适用于实时应用。SDV和局部参考坐标系的结合解决了稀疏输入和未对准问题，网络结构学习紧凑且高度描述性的特征。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

3D点云完美匹配

The Perfect Match: 3D Point Cloud Matching
with Smoothed Densities

地址链接：

http://openaccess.thecvf.com/content_CVPR_2019/papers/Gojcic_The_Perfect_Match_3D_Point_Cloud_Matching_With_Smoothed_Densities_CVPR_2019_paper.pdf

代码链接：https://github.com/zgojcic/3DSmoothNet

摘要

提出三维平滑网，一个完整的工作流程来匹配三维点云与siamese深度学习架构和全卷积层使用体素化平滑密度值（SDV）表示。后者按兴趣点计算，并与局部参考坐标系（LRF）对齐，以实现旋转不变性。紧凑、学习、旋转不变的三维点云描述符在3DMatch基准数据集[49]上实现了94.9%的平均召回率，在仅32个输出维度的情况下，其性能超过最新水平20%以上。这种非常低的输出维度允许在标准PC上对每个特征点进行0.1毫秒的近实时对应搜索。SDV、LRF和学习具有完全卷积层的高描述性特征，本文用传感器和场景诊断。在建筑物的RGB-D室内场景上训练的3d smoothnet在室外植被的激光扫描上达到79.0%的平均召回率，比最近的、以学习为基础的竞争对手[49、17、5、4]的性能提高了一倍以上。

贡献

提出了一种新的用于三维点云匹配的紧凑学习局部特征描述子，该描述子计算效率高，性能显著优于现有的所有方法。

一个主要技术创新是平滑密度值（SDV）体素化，是一种新的输入数据表示方法，适用于标准深度学习库的完全卷积层。SDV的增益是两倍。一方面，它减少了稀疏性输入体素网格，在反向传播过程中有更好的梯度流动，同时减少边界效应，以及平滑由于局部参考帧（LRF）估计错误而导致的小的未对准。另一方面，模拟了深层网络通常在第一层学习的平滑，节省了学习高度描述性特征的网络容量。

其次，提出了一个具有完全卷积层的暹罗网络结构，学习一个非常紧凑的、旋转不变的3D局部特征描述。这种方法生成