.png){kind=icon}
返回
Geometric Self-Attenuating Transformer for Multi-instance Registration
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-3729-7_34.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多实例点云配准对于各种3D计算机视觉任务至关重要，但存在显著挑战，包括实例数量未知、严重遮挡、背景杂波和物体相似性等问题。传统方法常在计算效率上面临困难，或如某些近期端到端方法，可能忽视空间数据中固有的详细几何线索，阻碍了复杂场景中的歧义消除。本文提出几何自衰减Transformer（GSAT），一种新型架构，通过鲁棒编码超点特征来应对这些限制。GSAT采用双分支局部注意力机制，显式处理每个实例内的几何和上下文信息，增强特征可区分性。关键在于，几何自衰减机制（GSAM）在处理场景点云时，自适应调节锚点超点的自导几何信息影响，缓解遮挡和实例间干扰造成的污染。在ROBI和Scan2CAD数据集上的实验表明，GSAT相较于当前最优方法实现了竞争性性能，突显了其在处理复杂真实场景中的有效性。
Keyword:
Multi-instance Registration
Point Cloud Transformer
Geometric Attention
期刊
I
IF:
0
论文数:
33
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏
D3Feat: Joint Learning of Dense Detection and Description of 3D Local FeaturesD3Feat: 密集检测与三维局部特征描述的联合学习
OAAI
OAAI分享收藏BUFFER: Balancing Accuracy, Efficiency, and Generalizability in Point Cloud Registration缓冲区: 平衡点云配准中的精度、效率和通用性
PREAI
分享收藏
查看更多内容