Lepard: Lernen der partiellen Punktwolkenabgleichung in starren und deformierbaren Szenen

Wir stellen Lepard vor, einen lernbasierten Ansatz für die partielle Punktwolkenabgleichung in starreren und deformierbaren Szenen. Die wesentlichen Merkmale sind die folgenden Techniken, die 3D-Ortsinformationen für die Punktwolkenabgleichung nutzen: 1) Eine Architektur, die die Punktwolkenrepräsentation in den Merkmalsraum und den 3D-Ortsraum trennt. 2) Eine Positionsencodierungsmethode, die durch das Skalarprodukt von Vektoren explizit 3D-relative Distanzinformationen offenzlegt. 3) Eine Repositionierungstechnik, die die relativen Positionen zwischen verschiedenen Punktwolken modifiziert. Abstraktionsstudien zeigen die Effektivität der obigen Techniken. In starreren Fällen erreicht Lepard in Kombination mit RANSAC und ICP eine Stand-of-the-Art-Registrierungserinnerungsrate von 93,9 % / 71,3 % auf dem 3DMatch / 3DLoMatch-Datensatz. In deformierbaren Fällen erreicht Lepard eine um +27,1 % / +34,8 % höhere nicht-starre Merkmalsabgleichungsrate als der bisherige Stand der Technik auf unserem neu erstellten 4DMatch / 4DLoMatch-Benchmark.请注意，"Stand-of-the-Art" 是 "state-of-the-art" 的德语表达，但为了保持一致性，这里使用了英文形式。如果需要完全德语化，可以将其改为 "Stand der Technik"。