RGBD-Glue: General Feature Combination for Robust RGB-D Point Cloud Registration

点云配准是估计点云之间刚性变换的基本任务。以往的研究使用几何信息提取特征、匹配和估计变换。近年来，由于RGB-D传感器的进步，研究人员尝试利用视觉信息来提高配准性能。然而，这些研究侧重于通过深度特征融合提取独特特征，不能有效解决每个特征的缺点，并且不能充分利用有效信息。本文提出了一个新的特征组合框架，应用较松但更有效的融合方法，可以实现更好的性能。该组合框架基于变换一致性设计了一个显式过滤器，可以克服每个特征的缺点。并且，提出了一个由误差分布确定的自适应阈值，以从两种特征中提取更多有效信息。由于独特的设计，我们提出的框架可以估计更准确的对应关系，并适用于手工制作和基于学习的特征描述符。在ScanNet上的实验表明，我们的方法实现了最先进的性能和99.1％的旋转精度。

该论文旨在解决点云配准中特征提取、匹配和估计变换的问题。同时，论文探索了如何利用视觉信息来提高配准性能。

论文提出了一种新的特征组合框架，该框架应用更松散但更有效的融合，并且可以实现更好的性能。该框架基于变换一致性设计了一个显式的过滤器，可以克服每个特征的缺点，并提出了一个由误差分布确定的自适应阈值，以从两种类型的特征中提取更多有效信息。

论文的亮点包括提出了一种新的特征组合框架，该框架适用于手工制作和基于学习的特征描述符，提高了配准的精度。论文在ScanNet数据集上进行了实验，并取得了最先进的性能。同时，论文提供了开源代码。

最近在该领域的相关研究包括：1. Deep Global Registration；2. Fast Global Registration；3. PointNetLK。