Learning Instance-Aware Correspondences for Robust Multi-Instance Point Cloud Registration in Cluttered Scenes

多实例点云配准是估计场景点云中多个模型点云的姿态。提取准确的点对应是问题的核心。现有方法通常将场景点云视为整体，忽略实例之间的分离。因此，点特征很容易被背景或不同实例的其他点污染，导致对分离实例不敏感的不准确的对应关系，特别是在杂乱的场景中。在本研究中，我们提出了MIRETR，即多实例配准变换器，一种粗到精的方法来提取实例感知的对应关系。在粗略级别上，它同时学习实例感知的超点特征并预测每个实例的掩码。通过实例掩码，可以最小化来自所关注实例之外的影响，从而可以提取高度可靠的超点对应关系。然后，根据实例掩码将超点对应关系扩展到实例候选项的细节级别。最后，设计了一种高效的候选项选择和细化算法来获得最终的配准结果。在三个公共基准测试中的广泛实验表明了我们方法的有效性。特别是，在具有挑战性的ROBI基准测试中，MIRETR的F1得分比现有技术高出16.6个百分点。代码和模型可在https://github.com/zhiyuanYU134/MIRETR上获得。

该论文旨在解决多实例点云配准中点对应问题，提出了一种基于实例感知的粗到细的方法，以提高点对应的准确性。

该论文的关键思路是在粗略层面上联合学习实例感知的超点特征，并预测每个实例的掩码，以减少来自背景或其他实例的点的干扰，从而提取高可靠的超点对应关系，然后根据实例掩码将超点对应关系扩展到实例候选项，最后设计了一个高效的候选项选择和细化算法以获得最终的配准。

该论文在三个公共基准测试中进行了广泛的实验，证明了该方法的有效性。具体而言，在具有挑战性的ROBI基准测试中，MIRETR在F1得分上优于现有技术16.6个百分点。该论文提出的方法还开放了代码和模型。

最近的相关研究包括：PointNetLK，DeepGMR，Point-to-Point Registration Network等。