Extracción de características espaciales adaptativas y conocimiento de características gráficas para un registro...

Área de la Ciencia:

• Visión por computadora
• Procesamiento de la nube de puntos 3D
• Aprendizaje automático

Sus antecedentes:

• Los transformadores sobresalen en la visión 3D pero luchan con el registro de nubes de puntos de bajo solapamiento debido a la atención ineficaz.
• Los métodos RANSAC existentes requieren iteraciones extensas, lo que lleva a altos costos computacionales.

Objetivo del estudio:

• Desarrollar un método robusto de registro de nubes de puntos para escenarios con poca superposición.
• Para reducir la sobrecarga computacional asociada con las técnicas de registro tradicionales.

Principales métodos:

• Se introdujo la Convolución de Punto Adaptativo (APConv) para la extracción de características con campos receptivos adaptativos.
• Transformadores mejorados con información geométrica local y conocimiento gráfico para mejorar el rendimiento de superposición baja.
• Propuso un evaluador de registro de difusión local a global (LDGR), reduciendo los cálculos iterativos.

Principales resultados:

• Lograr resultados óptimos en los conjuntos de datos ModelNet y ModelLoNet, superando los métodos más avanzados.
• Robustez demostrada en conjuntos de datos 3DMatch y 3DLoMatch con una relación de inlier sustancialmente mayor.
• Mostró un rendimiento comparable al RANSAC en el conjunto de datos KITTI con un número significativamente menor de iteraciones.

Conclusiones:

• LDGR ofrece una solución robusta y computacionalmente eficiente para el registro de nube de puntos en 3D, particularmente en condiciones desafiantes de baja superposición.
• El evaluador APConv y LDGR propuesto contribuye a mejorar la extracción de características y la precisión del registro.