SDFReg：学习点云配准的有符号距离函数

​

SDFReg: Learning Signed Distance Functions for Point Cloud Registration

解决问题：本篇论文旨在解决点云配准中噪声和局部点云的问题。通过引入神经隐式函数表示，将点云之间的刚性配准问题转化为点云与神经隐式函数之间的配准问题，从而实现对噪声和不完整点云的配准。

关键思路：本文的关键思路是使用神经隐式函数表示来替代传统的点对点配准方法，从而实现点云配准。通过交替优化隐式函数表示和点云之间的配准，实现粗到细的配准过程。相比于基于全局特征的配准方法，本文的方法能够处理密度变化较大的表面，并且能够实现更高的配准精度。

其他亮点：本文的实验结果表明，该方法能够有效地处理噪声和不完整点云，并且能够实现更高的配准精度。本文使用了公开数据集，并且提供了开源代码。值得进一步研究的工作包括：如何进一步提高配准精度和速度，以及如何将该方法应用于更广泛的点云配准问题。

关于作者：本文的主要作者是张磊达、王亦群、卢正达和冯磊。他们分别来自清华大学和华为技术有限公司。张磊达博士之前的代表作包括：《Robust Point Set Registration Using Gaussian Mixture Models》；王亦群博士之前的代表作包括：《Deep Global Registration》；卢正达博士之前的代表作包括：《A Robust and Efficient Approach to Registration of Point Clouds with Plane-to-Plane Correspondences》；冯磊博士之前的代表作包括：《Deep Continuous Fusion for Multi-Sensor 3D Object Detection》。

相关研究：近期其他相关的研究包括：《Deep Global Registration with Correlation and Transformation Consistency》（Jiaxin Li等，南京大学）、《PRNet: Self-Supervised Learning for Partial-to-Partial Registration》（Yifei Shi等，清华大学）、《Robust Point Cloud Registration Framework Based on Structural Features》（Jianbo Liu等，北京大学）。

论文摘要：我们提出了一种新的框架来解决嘈杂和部分点云注册的问题。通过引入神经隐式函数表示，我们将点云之间的刚性配准问题替换为点云和神经隐式函数之间的配准问题。然后我们交替优化隐式函数表示和隐式函数与点云之间的配准，以实现逐层配准。由于我们的方法避免了计算点对应关系，因此对于点云的噪声和不完整性具有鲁棒性。与基于全局特征的配准方法相比，我们的方法可以处理密度变化较大的表面，并实现更高的配准精度。实验结果和比较表明了该框架的有效性。

​Read More