Exploitation de la proportion de correspondances inliers pour l'alignement de nuages de points

Dans le registre de nuages de points basé sur l’apprentissage de caractéristiques, la construction correcte des correspondances est essentielle pour l’estimation ultérieure de la transformation. Toutefois, il reste un défi majeur d’extraire des caractéristiques discriminantes à partir de nuages de points, en particulier lorsque l’entrée est partielle et composée de surfaces indiscernables (plans, surfaces lisses, etc.). En conséquence, la proportion de correspondances inliers qui correspondent précisément aux points entre deux nuages de points non alignés reste insatisfaisante. Motivés par ce problème, nous proposons plusieurs techniques visant à améliorer les performances du registre de nuages de points basé sur l’apprentissage de caractéristiques en exploitant la proportion de correspondances inliers : un décodeur hiérarchique en pyramide pour caractériser les features des points à plusieurs échelles, une stratégie de vote cohérente afin de préserver la cohérence des correspondances, ainsi qu’un module d’encodage guidé par la géométrie pour intégrer les caractéristiques géométriques. En s’appuyant sur ces techniques, nous avons conçu notre réseau Geometry-guided Consistent Network (GCNet), que nous évaluons sur des jeux de données synthétiques centrés sur des objets, ainsi que sur des scénarios intérieurs et extérieurs. Des expériences complètes montrent que GCNet surpasse les méthodes de pointe actuelles, et que les techniques mises en œuvre dans GCNet sont indépendantes du modèle, pouvant être facilement intégrées à d’autres méthodes d’apprentissage profond basées sur les caractéristiques ou à des approches traditionnelles de registre, entraînant ainsi une amélioration significative des performances. Le code source est disponible à l’adresse suivante : https://github.com/zhulf0804/NgeNet.