OMNet : Apprentissage de masques chevauchants pour le recalage de nuages de points partiel à partiel

L’alignement de nuages de points est une tâche essentielle dans de nombreux domaines computationnels. Les méthodes précédentes fondées sur l’établissement de correspondances nécessitent que les entrées présentent des structures géométriques distinctes afin de déterminer une transformation rigide 3D à partir de correspondances ponctuelles basées sur des caractéristiques rares. Toutefois, la précision de la transformation dépend fortement de la qualité des caractéristiques extraites, qui sont sensibles aux erreurs induites par la partialité et le bruit. En outre, ces approches ne parviennent pas à exploiter pleinement les connaissances géométriques de toutes les régions de superposition. À l’inverse, les méthodes basées sur les caractéristiques globales peuvent tirer parti de l’intégralité du nuage de points pour l’alignement, mais elles négligent l’effet négatif des points non superposés lors de l’agrégation des caractéristiques globales. Dans cet article, nous proposons OMNet, un réseau itératif basé sur les caractéristiques globales pour l’alignement de nuages de points partiels à partiels. Nous apprenons des masques de superposition afin de rejeter les régions non superposées, ce qui transforme le problème d’alignement partiel à partiel en un problème d’alignement de formes identiques. En outre, les données précédemment utilisées sont échantillonnées une seule fois à partir des modèles CAD pour chaque objet, entraînant des nuages de points identiques pour les sources et les références. Nous proposons une méthode plus pratique de génération de données, où un modèle CAD est échantillonné deux fois pour la source et la référence, évitant ainsi le problème courant de sur-apprentissage. Les résultats expérimentaux montrent que notre méthode atteint des performances de pointe par rapport aux méthodes traditionnelles et aux approches basées sur l’apprentissage profond. Le code est disponible à l’adresse suivante : https://github.com/megvii-research/OMNet.