Vous n’hypothèsez qu’une fois : alignement de nuages de points avec des descripteurs équivariants à la rotation

Dans cet article, nous proposons un nouveau cadre fondé sur les descripteurs locaux, appelé You Only Hypothesize Once (YOHO), pour l’alignement de deux nuages de points non alignés. Contrairement à la plupart des descripteurs locaux existants qui reposent sur un cadre de référence local fragile afin d’obtenir l’invariance rotationnelle, le descripteur proposé atteint cette invariance grâce aux récentes avancées en apprentissage de caractéristiques équivariantes par rapport aux groupes, ce qui confère une robustesse accrue face à la densité variable des points et au bruit. Par ailleurs, le descripteur de YOHO inclut également une composante équivalente aux rotations, permettant ainsi d’estimer l’alignement à partir d’une seule hypothèse de correspondance. Cette propriété réduit considérablement l’espace de recherche des transformations possibles, améliorant ainsi à la fois la précision et l’efficacité de YOHO. Des expériences étendues montrent que YOHO obtient des performances supérieures en nécessitant beaucoup moins d’itérations RANSAC sur quatre jeux de données largement utilisés : les jeux de données 3DMatch/3DLoMatch, ETH et WHU-TLS. Pour plus de détails, veuillez consulter notre page de projet : https://hpwang-whu.github.io/YOHO/.