以下内容来自小六的机器人AI学习圈(6年积累,全国最大的机器人SLAM交流社区,为SLAM行业从业者提供从入门、学习、交流、求职、线下链接、合作、咨询、答疑等一系列的服务)知识星球每日更新内容
【Scalable 3D Registration via Truncated Entry-wise Absolute Residuals】
文章链接:[2404.00915] Scalable 3D Registration via Truncate...
待开源项目:GitHub - tyhuang98/TEAR-release
给定一个输入的3D点对集合,离群点鲁棒3D配准的目标是计算一些旋转和平移,使尽可能多的点对对齐。这是计算机视觉中的一个重要问题,近年来已经提出了许多高精度的方法。尽管这些方法的性能令人印象深刻,但它们缺乏可扩展性,常常会使一台标准笔记本电脑的16GB内存溢出来处理大约30000个点对。在本文中,我们提出了一种三维配准方法,可以处理超过1000万( 107 )个点对,其中超过99 %的随机离群点。
此外,我们的方法是高效的,需要较低的内存成本,同时保持较高的准确性。我们称我们的方法为TEAR,因为它涉及最小化一个计算截断项绝对残差的异常值稳健损失。为了最小化这个损失,我们将原始的6维问题分解为两个维度分别为3和2的子问题,然后通过定制的分支定界方法进行全局优化求解。虽然分支定界通常是缓慢和不可扩展的,但这不适用于TEAR,因为我们提出了新的紧的和计算有效的定界函数。在各种数据集上的实验验证了我们方法的可扩展性和高效性。







