【点云处理】开源 | 一种简单但有效的3D局部深度描述符(DIPs)，不需要初始对齐就可以用于注册点云，性能SOTA！

备注：研究方向+地点+学校/公司+昵称，更快通过申请，长按加细分领域技术交流群，目前有细分领域：图像分割、图像目标检测、论文写作、车道检测、模型优化、目标跟踪、SLAM、点云处理（分割检测）、深度学习。

获取完整原文，公众号回复：2009.00258

论文地址： http://arxiv.org/pdf/2009.00258v1.pdf

代码： https://github.com/fabiopoiesi/dip

来源： Fondazione Bruno Kessler

论文名称：Distinctive 3D local deep descriptors

原文作者：Fabio Poiesi

内容提要

本文提出了一种简单但有效的方法来学习独特的3D局部深度描述符(DIPs)，不需要初始对齐就可以用于注册点云。利用基于点网的深度神经网络提取点云斑块，根据估计的局部参考框架进行规范化，并将其编码为旋转不变的紧凑描述符。DIPs可以有效地在不同的传感器模式中进行推广，因为它们是从局部和随机采样点中端到端学习的。由于DIPs只编码局部几何信息，对乱序、遮挡和缺失区域具有较好的鲁棒性。在使用不同传感器重构的点云组成的室内和室外数据集上，我们评估和比较DIPs和手工制作的深度描述符的不同。结果表明DIPs 非常优秀，具体包含三个方面：(1)在RGB-D室内场景(3DMatch数据集)上取得了与最先进水平相当的结果，(2)在激光扫描仪室外场景(ETH数据集)上超越最先进的水平，(3)推广到为室内场景重建与Android ARCore的视觉slam系统。

主要框架及实验结果

PS：腾讯最近更改公众号推送规则，文章推送不在按照时间排序，而是通过智能推荐算法有选择的推送文章，为了避免收不到文章，看完文章您可以点击一下右下角的"在看"，以后发文章就会第一时间推送到你面前。

声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请加上文微信联系删除。