Deep-PE: A Learning-Based Pose Evaluator for Point Cloud Registration

在点云配准领域中，最普遍的姿态评估方法是基于统计学的，通过最大化一致对应点的数量来识别最佳变换。然而，尽管设计特征描述符和建立对应关系，但当点云重叠率较低时，配准召回率显著降低。本文介绍了Deep-PE，一种轻量级的基于学习的姿态评估器，旨在提高姿态选择的准确性，特别是在重叠率较低的挑战性点云场景中。我们的网络采用了一种姿态感知注意力（PAA）模块，用于模拟和学习不同候选姿态下点云的对齐状态，以及一种姿态置信度预测（PCP）模块，用于预测成功配准的可能性。这两个模块有助于学习局部和全局对齐先验知识。在多个基准测试中，Deep-PE的有效性得到了证实。值得注意的是，在低重叠率的3DLoMatch测试中，Deep-PE在手工设计的FPFH和基于学习的FCGF描述符下，配准召回率至少比最先进的方法提高了8％和11％。据我们所知，这是第一项利用深度学习选择最佳姿态而无需显式输入对应关系的研究。

本文旨在解决点云配准中低重叠率问题下的姿态评估，提出了一种轻量级的基于学习的姿态评估器Deep-PE。

Deep-PE采用了姿态感知注意力模块和姿态置信度预测模块，以学习和模拟不同姿态下点云的对齐状态，从而提高姿态选择的准确性。

实验结果表明，在低重叠率情况下，Deep-PE在3DLoMatch数据集上比手工设计的FPFH和基于学习的FCGF描述符的最先进方法分别提高了至少8％和11％的配准召回率。这是第一个利用深度学习在没有显式输入对应关系的情况下选择最佳姿态的研究。

近期的相关研究包括基于统计的姿态评估方法和基于深度学习的点云配准方法，如PointNetLK、Deep Closest Point等。