摘要
本文提出了一种基于新型局部描述子的点云配准框架，名为“你只需假设一次”（You Only Hypothesize Once, YOHO），用于对两个未对齐的点云进行配准。与大多数依赖脆弱局部参考系以实现旋转不变性的现有局部描述子不同，所提出的描述子通过最新的群等变特征学习技术实现旋转不变性，从而显著提升了对点云密度变化和噪声的鲁棒性。同时，YOHO中的描述子还包含一个旋转等变部分，使得我们仅需基于一个对应关系假设即可完成配准估计。这一特性大幅缩减了可行变换的搜索空间，显著提升了YOHO的配准精度与计算效率。大量实验表明，在四个广泛应用的数据集——3DMatch/3DLoMatch数据集、ETH数据集以及WHU-TLS数据集上，YOHO均取得了优异性能，且所需RANSAC迭代次数大幅减少。更多详细信息请见项目主页：https://hpwang-whu.github.io/YOHO/。