Multiway Point Cloud Mosaicking with Diffusion and Global Optimization

我们介绍了一个新的框架，用于多路点云镶嵌（称为Wednesday），旨在将部分重叠的点云集合（通常来自3D扫描仪或移动RGB-D相机）对齐到一个统一的坐标系中。我们方法的核心是ODIN，一种学习的成对配准算法，它迭代地识别重叠部分并细化注意力分数，采用扩散过程对成对相关矩阵进行去噪以提高匹配精度。进一步的步骤包括从所有点云构建姿态图，执行旋转平均，一种新颖的鲁棒算法，用于最优地重新估计翻译，以达到共识最大化和翻译优化。最后，点云的旋转和位置通过扩散方法联合优化。在四个不同的大规模数据集上进行测试，我们的方法在所有基准测试中都取得了遥遥领先的最新成对和多路配准结果。我们的代码和模型可在https://github.com/jinsz/Multiway-Point-Cloud-Mosaicking-with-Diffusion-and-Global-Optimization上获得。

本论文提出了一种新的多路点云镶嵌框架，旨在将部分重叠的点云集合对齐到一个统一的坐标系中。该论文的问题是如何实现高效准确的多路点云配准。

该论文的关键思路是通过使用ODIN，一种学习的成对配准算法，来识别重叠区域并优化注意力得分，使用扩散过程进行去噪，以提高匹配准确性。进一步步骤包括构建所有点云的姿态图，执行旋转平均值，以及一种新的鲁棒算法来最优地重新估计翻译。

该论文在四个不同的大规模数据集上进行了测试，通过扩散和全局优化的联合优化方法，实现了最先进的成对和多路点云配准结果。值得注意的是，该论文提供了开源代码和模型。

最近在这个领域中，一些相关的研究包括：PointNetLK：Point Cloud Registration using PointNet，PointDSC：Robust Point Cloud Registration using Deep Spatial Consistency，以及PointRCNN：3D Object Proposal Generation and Detection from Point Cloud。