基于注意力引导参考点漂移的高斯混合模型部分点云配准方法研究

《IEEE Transactions on Computational Social Systems》:Attention-guided reference point shifting for Gaussian-mixture-based partial point set registration

【字体: 大 中 小 】 时间:2025年12月18日 来源:IEEE Transactions on Computational Social Systems 4.9

编辑推荐:

  本研究针对基于深度学习与高斯混合模型(GMM)的点云配准方法在部分点云配准中存在的特征向量对平移和旋转变化敏感的问题,提出了一种注意力引导参考点漂移(ARPS)层。该层通过多头注意力机制识别两个部分点云之间的共同参考点,并将其平移至坐标原点,从而获得对刚体变换不变的特征表示。实验表明,ARPS显著提升了DeepGMR和UGMMReg在ModelNet20、ICL-NUIM和KITTI数据集上的配准精度,为解决部分点云配准难题提供了新思路。

  
在计算机视觉、机器人学和医学图像分析等领域,点云配准是一项基础且关键的技术,其目标是通过计算刚体变换(包括旋转和平移)将两个或多个不同姿态下的点云对齐。传统的点云配准方法,如迭代最近点算法(ICP),依赖于点对点的对应关系,但当点云存在噪声、遮挡或仅部分重叠时,这类方法的性能会急剧下降。近年来,结合深度学习与概率模型的方法展现出强大潜力,其中,DeepGMR作为首个基于高斯混合模型(GMM)的深度学习配准方法,通过神经网络直接估计点云中各点属于GMM各分量的隶属度,避免了传统EM算法的迭代优化,大大提升了计算效率。然而,DeepGMR及其改进版本UGMMReg在处理部分点云(即两个点云仅部分重叠)时面临严峻挑战:当源点云和目标点云的点分布不一致时,其质心并不能代表全局形状中的同一参考点,导致基于质心计算的旋转不变特征(RRI)失效,从而严重影响配准精度。
为了解决这一难题,来自东京大学和一桥大学的研究团队开展了深入研究。他们发现,问题的根源在于缺乏一个对两个部分点云都一致的共同参考点。为此,他们创新性地提出了注意力引导参考点漂移(ARPS)层。ARPS层的核心思想并非直接寻找重叠区域内的点,而是利用多头注意力(MHA)模块增强两个点云重叠区域的特征,进而估计一个共同的参考点,并通过逐步平移将点云的中心调整至该参考点,从而使得后续的特征提取对刚体变换具有不变性。
研究人员为开展此项研究,主要采用了以下几种关键技术方法:首先,设计了ARPS层架构,该层包含特征编码、自注意力与交叉注意力计算、重叠区域点索引提取、以及可学习步长的参考点漂移操作。其次,构建了包含多个ARPS层和GMM配准模块的端到端网络。第三,引入了质心损失(Lctr)和步长正则化损失(Lstp)来监督网络训练,确保参考点估计的准确性和漂移过程的稳定性。实验使用了ModelNet20、ICL-NUIM和KITTI里程计等公开数据集,点云均被归一化至[-1,1]3的立方体内,并添加了高斯噪声以测试鲁棒性。
研究结果
ARPS层显著提升GMM-based方法的配准性能
在ModelNet20和ICL-NUIM数据集上的实验结果表明,引入ARPS层后,DeepGMR(DGMR-ARPS)和UGMMReg(UGMM-ARPS)的各项评价指标均得到显著改善。例如,在带有高斯噪声的ModelNet20数据集上,DGMR-ARPS的均方旋转误差(MRE)从DeepGMR的71.96降至9.58,召回率(Recall)从0.11提升至0.83。这表明ARPS层通过寻找共同参考点,有效解决了部分点云配准中特征不一致的问题。
ARPS优于现有基于注意力的配准方法
与同样使用注意力机制的PRNet等方法相比,ARPS层并非直接将注意力权重用于点对点配准,而是用于估计参考点。这种设计使其对重叠区域点的频繁替换更具鲁棒性,避免了训练不稳定的问题,从而在配准精度上超越了现有方法。
消融实验验证各组件必要性
消融研究证实了ARPS层中各组件的重要性。移除多头注意力块(MHA)或重中心化操作(Recentering)均会导致性能显著下降。同时,使用点云的三维坐标(XYZ)作为输入比使用手工设计的旋转不变特征(RRI)效果更好,这与前期实验的观察一致。
ARPS层数对性能的影响
实验还探讨了ARPS层数的影响。使用4个ARPS层在性能和计算成本之间取得了最佳平衡,层数过少(如2层)性能不足,层数过多(如6层)则收益不明显且增加计算负担。
在真实LiDAR数据上的有效性
在KITTI户外LiDAR扫描数据集上的测试进一步证明,ARPS层能显著提升模型在真实复杂场景下的配准能力,特别是在旋转误差的降低方面表现突出,说明其获得的特征具有更好的旋转不变性。
研究结论与意义
本研究深入剖析了基于深度学习与高斯混合模型(GMM)的点云配准方法在处理部分点云时失效的根本原因,即缺乏一个共同的、有效的参考点来计算对刚体变换不变的特征。针对此问题,提出的注意力引导参考点漂移(ARPS)层提供了一种新颖且有效的解决方案。该方法通过注意力机制智能地估计共同参考点,并逐步调整点云位置,使得深度网络能够提取出更具一致性的特征表示。
这项工作的主要意义在于:首先,它成功地将DeepGMR等GMM-based深度学习方法的应用范围扩展到了更具挑战性的部分点云配准场景,解决了其在此类任务中的性能瓶颈问题。其次,ARPS层的设计理念——利用注意力机制寻找共同参考点而非直接进行点匹配——为点云配准研究提供了新的思路,其有效性在多个基准数据集上得到了验证,性能甚至优于一些专门为部分点云配准设计的深度学习方法。最后,尽管ARPS层增加了模型的计算开销,但其带来的精度提升是显著的,且在实践应用中,其计算时间(约8毫秒)仍在可接受范围内。
当然,该研究也存在一定的局限性,例如当前方法仍主要适用于局部点云配准,对于高斯分布之间对应关系的全局优化问题尚未完全解决。未来的研究可以探索如何将软对应关系寻找机制融入GMM-based框架,以进一步提升其在更广泛场景下的适用性。总体而言,这项研究为结合概率模型与深度学习的点云配准技术发展提供了重要的理论见解和实践工具。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号