RANSAC Back to SOTA: A Two-stage Consensus Filtering for Real-time 3D Registration

基于对应关系的点云配准（PCR）在机器人技术和计算机视觉中发挥着关键作用。然而，诸如传感器噪声、物体遮挡和描述符限制等挑战不可避免地导致大量异常值。RANSAC系列算法是最流行的异常值去除解决方案。然而，所需的迭代次数随着异常值比例呈指数级增长，这使得它在精度或速度方面远不如现有方法（如SC2PCR [1]、MAC [2]等）。因此，我们提出了一种两阶段共识过滤（TCF）方法，将RANSAC提升到最先进的速度和精度。首先，单点RANSAC根据长度一致性获得一个共识集。随后，两点RANSAC通过角度一致性进一步精炼该集合。然后，三点RANSAC计算出一个粗略的姿态，并基于变换后的对应点距离移除异常值。结合了单点和两点RANSAC的优化，三点RANSAC只需要很少的迭代次数。最终，应用迭代重加权最小二乘法（IRLS）来得出最优姿态。在大规模KITTI和ETH数据集上的实验表明，我们的方法相比MAC实现了高达三个数量级的速度提升，同时保持了配准的精度和召回率。我们的代码可在https://github.com/ShiPC-AI/TCF 获取。

该论文试图解决点云注册中的异常值问题，特别是面对传感器噪声、物体遮挡和描述符限制导致的大量异常值。这是一个在机器人和计算机视觉领域广泛存在的问题。

论文提出了一种两阶段共识过滤（TCF）方法，通过结合一、二、三点RANSAC的优化来提升RANSAC的速度和准确性。首先，一、二点RANSAC基于长度和角度一致性构建初步共识集；然后，三点RANSAC计算粗略姿态并基于变换后的对应点距离去除异常值；最后，使用迭代重加权最小二乘法（IRLS）得到最优姿态。这种方法在速度和准确性上均达到了现有方法的水平。

论文在大规模KITTI和ETH数据集上的实验表明，TCF方法比现有的MAC方法快三个数量级，同时保持了注册的准确性和召回率。此外，作者提供了开源代码，方便其他研究人员复现和进一步研究。未来的工作可以集中在进一步优化算法性能和探索更多实际应用场景。

近年来，点云注册领域的一些相关研究包括： - SC2PCR [1]：提出了一种基于自适应一致性的点云注册方法。 - MAC [2]：利用多假设一致性来提高点云注册的鲁棒性。 - DGR [3]：通过深度学习方法动态地去除异常值。 - RPM-Net [4]：使用神经网络进行点云配准，提高了处理复杂场景的能力。