REGTR：带有transformer的端对端点云对应（CVPR2022）_regtr: end-to-end point cloud correspondences with-CSDN博客

本文链接：https://blog.csdn.net/Yong_Qi2015/article/details/127218986

REGTR是一种使用transformer的端到端点云配准框架，它通过预测清晰的对应关系，省去了传统方法中的特征匹配和RANSAC步骤。网络直接估计刚性变换，实现高性能并在3DMatch和ModelNet基准上取得一流结果。

标题：REGTR：带有transformer的端对端点云对应

作者：Zi Jian Yew,Gim Hee Lee

文稿整理：流苏

1.摘要

最近将学习的方式引入点云配准中取得了成功，但许多工作都侧重于学习特征描述符，并依赖于最近邻特征匹配和通过RANSAC进行离群值过滤，以获得姿态估计的最终对应集合。在这项工作中，我们推测注意机制可以取代显式特征匹配和RANSAC的作用，从而提出一个端到端的框架来直接预测最终的对应集。我们使用主要由自注意力和交叉注意力的transformer层组成的网络架构并对其训练，以预测每个点位于重叠区域的概率及其在其他点云中的相应位置。然后，可以直接根据预测的对应关系估计所需的刚性变换，而无需进一步的后处理。尽管简单，但我们的方法在3DMatch和ModelNet基准测试中取得了一流的性能。我们的源代码可以在https://github.com/yewzijian/RegTR.

2.引言

刚性点云配准指找到对齐两个点云的最佳旋转和平移参数的问题。点云配准的通用解决方案流程如下：1）检测关键点，2）计算这些关键点的特征描述符，3）通过最近邻匹配获得假定的对应关系，4）通常使用RANSAC以稳健的方式估计刚性变换。近年来，研究人员将学习的方式应用于点云配准，这些工作中有许多侧重于学习特征描述符，也有包括关键点检测，且最