SC2-PCR: Ein zweiter Ordnungsräumlicher Konsistenzansatz für eine effiziente und robuste Punktwolkenregistrierung

In diesem Artikel präsentieren wir eine Methode zur effizienten und robusten Registrierung von Punktwolken (PCR), die als SC²-PCR bezeichnet wird und auf einer zweiten Ordnung räumlicher Kompatibilität (SC²) basiert. Zunächst führen wir eine zweite Ordnung räumlicher Kompatibilität (SC²) ein, um die Ähnlichkeit zwischen Korrespondenzen zu berechnen. Im Gegensatz zur lokalen Konsistenz berücksichtigt dieser Maßstab die globale Kompatibilität, was bereits in frühen Phasen eine deutlichere Clusterung von Inliers und Outliers ermöglicht. Aufbauend auf diesem Maß wird in unserem Registrierungs-Pipeline ein globaler Spektralansatz eingesetzt, um zuverlässige Seeds aus den anfänglichen Korrespondenzen zu identifizieren. Anschließend entwickeln wir eine zweistufige Strategie, um jeweils jeden Seed basierend auf der SC²-Maßmatrix zu einem Konsensset auszudehnen. Schließlich werden die einzelnen Konsenssets einem gewichteten SVD-Algorithmus zugeführt, um kandidatische starre Transformationen zu generieren, wobei das beste Modell als endgültige Lösung ausgewählt wird. Unsere Methode garantiert, dass unter Verwendung weniger Stichproben eine bestimmte Anzahl von aus Outliers freien Konsenssets gefunden wird, was die Modellschätzung effizienter und robuster macht. Darüber hinaus ist der vorgeschlagene SC²-Maßstab allgemein gültig und kann problemlos in tiefe Lernarchitekturen integriert werden. Um die Leistungsfähigkeit unserer Methode zu untersuchen, wurden umfangreiche Experimente durchgeführt.