点云配准方案汇总

---

一、传统方法

1.Incremental Multiview Point Cloud Registration with Two-stage Candidate Retrieval

代码：代码
原文：原文

摘要：在本文中，我们提出了一种新的多视点云配准方法。与以往通常采用全局方案进行多视点配准的研究不同，我们提出采用增量式流程来逐步将扫描对齐至标准坐标系。具体而言，受到基于图像的三维重建的启发，我们的方法首先通过扫描检索和几何验证建立稀疏扫描图。接着，我们通过初始化、选择下一个扫描并进行配准、创建并跟踪轨迹以及进行束调整来进行增量配准。此外，对于无检测器匹配器，我们引入了轨迹精化过程。该过程主要通过调整轨迹上的关键点位置来构建粗略的多视点配准并优化模型。实验表明，该框架在三个基准数据集上优于现有的多视点配准方法。

2.SC^2-PCR++: A Second Order Spatial Compatibility for Efficient and Robust Point Cloud Registration (TPAMI)

论文：论文
代码：github

摘要——离群点去除是基于特征的点云配准中的关键环节。本文重新探讨了经典 RANSAC 方法中的模型生成和选择，以实现快速且鲁棒的点云配准。在模型生成方面，我们提出了一种二阶空间兼容性 (SC2)度量，用于计算对应点之间的相似性。该方法考虑了全局兼容性而非局部一致性，从而在早期阶段就能够更为显著地区分内点和离群点。所提出的度量可以在减少采样次数的情况下找到一定数量的无离群点共识集，使模型生成更加高效。在模型选择方面，我们提出了一种新的特征和空间一致性约束的截断柴姆弗距离 (FS-TCD)度量，用于评估生成的模型。该度量同时考虑了配准质量、特征匹配适宜性和空间一致性约束，即便在假设匹配集中内点比例极低的情况下，也能正确选择模型。我们进行了大量实验来验证所提方法的性能。此外，实验还证明，所提出的SC2 度量和 FS-TCD 度量具有通用性，能够轻松融入基于深度学习的框架中。

3.TEASER++: fast & certifiable 3D registration

代码：代码
原文：原文

这篇论文提出了第一个快速且可验证的算法，用于在大量异常对应点存在的情况下对两组3D点进行配准。可验证的算法是指那些尝试解决难以处理的优化问题（例如，带有异常值的鲁棒估计）并提供易于检查的条件来验证返回的解是否最优（例如，算法是否在异常值存在的情况下产生了最准确的估计）或限制其次优性或准确性的算法。为了实现这一目标，我们首先使用截断最小二乘（TLS）成本重新定义了配准问题，这使得估计对大量错误对应点不敏感。然后，我们提供了一个通用的图论框架来解耦比例、旋转和平移估计，这允许我们依次解决这三个变换。尽管每个子问题（比例、旋转和平移估计）仍然是非凸的且具有组合性质，我们展示了：（i）TLS比例和（逐分量）平移估计可以通过自适应投票方案在多项式时间内解决，（ii）TLS旋转估计可以放宽到半定规划（SDP），即使在极端异常值率的情况下，这种放宽也是紧密的，以及（iii）图论框架允许通过寻找最大团来大幅度修剪异常值。我们将得到的算法命名为TEASER（截断最小二乘估计和半定松弛）。虽然通常解决大型SDP放宽问题速度较慢，但我们开发了第二个快速且可验证的算法，名为TEASER++，它使用毕业非凸性来解决旋转子问题，并利用Douglas-Rachford分割来有效证明全局最优性。
对于这两种算法，我们提供了估计误差的理论界限，这是鲁棒配准问题首次出现的理论界限。此外，我们在标准基准测试、目标检测数据集和3DMatch扫描匹配数据集上测试了它们的性能，并展示了：（i）两种算法在已知比例的情况下，对超过99%的异常值都比现有技术（例如，RANSAC、分支&界定、启发式方法）更鲁棒，（ii）TEASER++可以在毫秒级运行，目前是最快的鲁棒配准算法，以及（iii）TEASER++非常鲁棒，以至于它也可以解决没有对应点的问题（例如，假设所有点对应），在这种情况下它大大优于ICP，并且比Go-ICP更准确，同时速度快几个数量级。我们发布了TEASER++的快速开源C++实现。

4.Tigris: Architecture and Algorithms for 3D Perception in Point Clouds

代码：代码
原文：原文

机器感知应用越来越多地转向操作和处理3D点云。本文专注于点云配准，这是3D数据处理的关键原语，广泛用于里程计、同时定位与地图构建以及3D重建等高级任务。由于这些应用通常部署在能源受限的环境中，实时且能效高的点云配准至关重要。我们提出了TiGRis，这是一个专为点云配准而共同设计的算法-架构系统。通过对配准流水线设计空间的广泛探索，我们发现，尽管不同的设计点在准确性和性能之间做出了截然不同的权衡，但KD树搜索是一个常见的性能瓶颈，因此是架构专业化的理想候选。虽然KD树搜索本质上是顺序的，我们提出了一个易于加速的数据结构和搜索算法，它在点云配准的背景下暴露了KD树搜索的不同形式的并行性。共同设计的加速器系统地利用了这种并行性，同时结合了一系列进一步提高加速器效率的架构技术。总体而言，TiGRis在KD树搜索中比RTX 2080 Ti GPU实现了77.2倍的速度提升和7.4倍的能耗降低，这转化为了41.7%的配准性能提升和3.0倍的能耗降低。

5.A New Outlier Removal Strategy Based on Reliability of Correspondence Graph for Fast Point Cloud Registration

代码：代码
原文：原文

摘要：配准是点云处理中一项基础但至关重要的任务。在基于对应点的点云配准中，通过点特征技术匹配对应点可能会导致极高的异常值（错误对应点）比例。当前的异常值移除方法仍然存在效率低、准确性和召回率不足的问题。我们使用一种直观的方法来描述点云配准中6自由度（6-DOF）缩减过程，并提出了一种基于对应图可靠性的异常值移除策略。该方法根据给定的对应点构建对应图，并设计了图节点的可靠性度概念，用于最优候选选择，以及图边的可靠性度，以获得全局最大共识集。所提出的方法实现了快速准确的异常值移除以及逐步对齐参数估计。在模拟和具有挑战性的真实世界数据集上的广泛实验表明，即使对应点异常值比例超过99%，所提出的方法仍然可以执行有效的点云配准，且效率优于当前最先进的技术。

二、深度学习方法

1.Equi-GSPR

原文：原文
代码：代码

更新中…