PCAM: Produkt aus Kreuz-Attention-Matrizen für die starre Registrierung von Punktwolken

Die starre Registrierung von Punktwolken mit teilweiser Überlappung ist ein lang bestehendes Problem, das üblicherweise in zwei Schritten gelöst wird: (a) die Identifizierung von Korrespondenzen zwischen den Punktwolken; (b) die Filterung dieser Korrespondenzen, um nur die zuverlässigsten zu behalten, um die Transformation zu schätzen. In jüngster Zeit wurden mehrere tiefe Netze vorgeschlagen, um diese beiden Schritte gemeinsam zu lösen. Wir bauen auf diesen Ansätzen auf und präsentieren PCAM: ein neuronales Netzwerk, dessen zentrales Element ein punktweises Produkt von Kreuz-Attention-Matrizen ist, das es ermöglicht, sowohl niedrigstufige geometrische als auch hochstufige kontextuelle Informationen zu kombinieren, um Punkt-Korrespondenzen zu finden. Diese Kreuz-Attention-Matrizen ermöglichen zudem den Austausch von Kontextinformationen zwischen den Punktwolken auf jeder Schicht, wodurch das Netzwerk in den überlappenden Bereichen verbesserte Übereinstimmungsmerkmale aufbauen kann. Experimente zeigen, dass PCAM Ergebnisse auf dem Stand der Technik erzielt, verglichen mit Methoden, die wie wir die Schritte (a) und (b) gemeinsam mittels tiefen Netzen lösen. Unser Code und die trainierten Modelle sind unter https://github.com/valeoai/PCAM verfügbar.