近日，我院胡翔云教授团队以“SCREAM: SCene REndering Adversarial Model for Low-and-Non Overlap Point Cloud Registration”（针对低重叠和无重叠点云配准的场景渲染对抗模型）为题，在期刊《IEEE Transactions on Geoscience and Remote Sensing》发表了研究论文。
图1. 论文方法框架
低重叠点云的自动配准有重要的应用价值。论文提出一种新颖的方法来解决低重叠配准的极端情况：无重叠点云配准，研究此问题有助于提高极低重叠场景中的配准性能。该方法舍弃了以往方法检测重叠区域的思路，直接使用生成对抗网络(GAN) SCREAM生成配准后的源点云。为了使生成结果与目标点云尽可能对齐，提出可微渲染器将目标点云和预测的点云均渲染成深度图，它们被作为判别器的输入以判断生成的结果是否与目标点云对齐。刚性变换可从源点云与生成的点云形成的对应中直接估算，巧妙地避开了以往方法中的检测重叠区域、特征匹配和RANSAC步骤。大量实验表明，SCREAM 不仅在低重叠点云配准场景中表现出色，而且首次在无重叠场景中实现了 52.6% 的配准成功率。作者团队还构建了一个新的室内场景配准数据集 3DZeroMatch，专门用于探索无重叠配准问题。
图2. 在室内无重叠配准数据集（3DZeroMatch）、室内低重叠配准数据集（3DLoMatch）和室外配准数据集（KITTI）上的配准效果可视化
我院博士生徐嘉伯为论文第一作者，胡翔云教授和柯涛教授为共同通讯作者。本研究得到湖北珞珈实验室专项基金（220100028和230700006）、中央高校基本科研基金（2042022dx0001）的资助。
引用信息：Jiabo Xu, Hengming Dai, Xiangyun Hu, Shichao Fan and Tao Ke, "SCREAM: SCene REndering Adversarial Model for Low-and-Non Overlap Point Cloud Registration," in IEEE Transactions on Geoscience and Remote Sensing
DOI：10.1109/TGRS.2024.3461834
论文链接：https://ieeexplore.ieee.org/document/10681127
