基于自编码器潜在空间优化的多视图点云配准

点云刚性配准是3D计算机视觉中的一个基础问题。在多视图情况下，我们的目标是找到一组6D姿态来对齐一组对象。基于成对配准的方法依赖于后续的同步算法，这使得它们在视图数量增加时扩展性较差。生成式方法克服了这一限制，但它们基于高斯混合模型并使用期望最大化算法。因此，它们不适合处理大幅变换。此外，大多数现有方法无法处理高水平的退化。在本文中，我们介绍POLAR（点云潜在配准），这是一种多视图配准方法，能够高效处理大量视图，同时对高水平退化和较大初始角度具有鲁棒性。为了实现这一点，我们将配准问题转换到预训练自编码器的潜在空间中，设计一个考虑退化的损失函数，并开发一种高效的多起点优化策略。我们提出的方法在合成数据和真实数据上显著优于现有最先进方法。POLAR可在github.com/pypolar/polar获取，或作为独立软件包通过 pip install polaregistration 进行安装。