PCR-99: A Practical Method for Point Cloud Registration with 99% Outliers

我们提出了一种稳健的点云配准方法，可以处理未知比例尺和极端的异常值比例。我们的方法名为PCR-99，采用确定性三点采样方法，并引入了两种新机制，大大提高了速度：(1)基于成对比例尺一致性的改进样本排序，优先考虑更可能是内点的点对对应关系；(2)基于三元组比例尺一致性的高效异常值拒绝方案，预筛选坏样本并减少待测试的假设数量。我们的评估表明，在高达98%的异常值比例下，所提出的方法与现有技术的性能相当。然而，在99%的异常值比例下，对于已知比例尺和未知比例尺问题，它都优于现有技术。特别是对于后者，我们观察到其在鲁棒性和速度方面具有明显的优势。

论文提出了一种能够处理未知尺度和极端离群值比例的点云配准方法，试图解决点云配准领域中的问题。

论文的关键思路是使用一种确定性的三点采样方法，并结合两种新机制，提高了速度和鲁棒性。这两种机制分别是：基于成对尺度一致性的改进采样顺序，以及基于三元组尺度一致性的离群值剔除机制。

论文的实验表明，该方法在处理高达98%离群值比例时，与现有方法相比具有可比性。而在处理99%离群值比例时，不论是已知尺度问题还是未知尺度问题，该方法都优于现有方法，具有更好的鲁棒性和速度。此外，论文还使用了多个数据集进行了实验，并开源了代码。

在点云配准领域，最近的相关研究包括：PointNetLK、Deep Closest Point、FGR等。