FastMAC: Stochastic Spectral Sampling of Correspondence Graph

3D对应关系，即一对3D点，是计算机视觉中的基本概念。一组带有兼容边的3D对应关系形成了对应关系图。这个图是几种最先进的3D点云配准方法的关键组成部分，例如基于最大团的方法（MAC）。然而，它的特性尚未被充分理解。因此，我们提出了第一项研究，将图信号处理引入到对应关系图的领域。我们利用对应关系图上的广义度信号，并追求保留该信号高频分量的采样策略。为了解决决定性采样中耗时的奇异值分解，我们采用了随机近似采样策略。因此，我们方法的核心是对应关系图的随机谱采样。作为一种应用，我们构建了一个完整的3D配准算法，称为FastMAC，它实现了实时速度，同时几乎没有性能下降。通过大量实验，我们验证了FastMAC适用于室内和室外基准测试。例如，FastMAC可以将KITTI上的MAC加速80倍，同时保持高配准成功率。代码公开在https://github.com/Forrest-110/FastMAC。

论文旨在解决3D点云配准中的对应关系图问题，以提高配准算法的效率和准确性。

通过引入图信号处理技术，利用对应关系图上的广义度信号和保留高频分量的采样策略，实现了对对应关系图的随机谱采样，从而构建了一个实时的3D点云配准算法FastMAC。

论文提出了一种新的对对应关系图进行处理的方法，并通过实验验证了FastMAC在室内和室外数据集上的高效性和准确性。论文还提供了开源代码。

最近的相关研究包括：'PointNetLK: Robust & Efficient Point Cloud Registration using PointNet'、'Deep Closest Point: Learning Representations for Point Cloud Registration'、'A Survey of Point Cloud Registration Algorithms for Mobile Robotics'等。