CoFiNet: Zuverlässige coarse-to-fine-Zuordnungen für robuste PointCloud-Registration

Wir untersuchen das Problem der Korrespondenzextraktion zwischen einem Paar von Punktwolken für die Registrierung. Bei der Korrespondenzretrieval profitieren bestehende Ansätze von der Übereinstimmung sparsamer Keypoints, die aus dichten Punkten detektiert werden, stoßen jedoch häufig auf Schwierigkeiten, deren Wiederholbarkeit zu gewährleisten. Um dieses Problem zu lösen, präsentieren wir CoFiNet – ein Rohto-Finale-Netzwerk –, das hierarchische Korrespondenzen von grob nach fein extrahiert, ohne Keypoint-Detektion zu erfordern. Auf einer groben Skala und unter Anleitung einer Gewichtungsstrategie lernt unser Modell zunächst, verkleinerte Knoten zu matchen, deren benachbarte Punkte eine größere Überlappung aufweisen, wodurch der Suchraum für die nachfolgende Stufe erheblich verkleinert wird. Auf einer feineren Skala werden Knotenvorschläge schrittweise zu Patchen erweitert, die Gruppen von Punkten zusammen mit zugehörigen Deskriptoren enthalten. Die Punkt-Korrespondenzen werden dann aus den Überlappungsbereichen entsprechender Patchen verfeinert, mittels eines dichteanpassungsfähigen Matching-Moduls, das mit variabler Punkt-Dichte umgehen kann. Umfassende Evaluierungen von CoFiNet auf sowohl indoor- als auch outdoor-Standardbenchmarks zeigen unsere Überlegenheit gegenüber bestehenden Methoden. Insbesondere auf 3DLoMatch, wo die Punktwolken nur geringe Überlappung aufweisen, übertrifft CoFiNet state-of-the-art Ansätze signifikant – um mindestens 5 % bei der Registration Recall –, wobei es maximal zwei Drittel der Parameter dieser Ansätze benötigt.