SGRTmreg: Un Marco de Optimización Basado en Aprendizaje para Múltiples Registraciones por Pares

La registración de nubes de puntos es una tarea fundamental en visión por computadora y gráficos, que se utiliza ampliamente en reconstrucción 3D, seguimiento de objetos y reconstrucción de atlas. Los métodos de optimización basados en aprendizaje y de aprendizaje profundo se han desarrollado ampliamente en la registración por pares debido a sus ventajas distintivas. Los métodos de aprendizaje profundo ofrecen mayor flexibilidad y permiten registrar nubes de puntos no vistas que no se han entrenado. Los métodos de optimización basados en aprendizaje exhiben una mayor robustez y estabilidad al manejar la registración bajo diversas perturbaciones, como ruido, valores atípicos y oclusiones. Para aprovechar las fortalezas de ambos enfoques y lograr una registración menos consumidora de tiempo, robusta y estable para múltiples instancias, proponemos un nuevo marco computacional llamado SGRTmreg para múltiples registraciones por pares en este documento. El marco SGRTmreg utiliza tres componentes: un esquema de búsqueda, un método de optimización basado en aprendizaje llamado Optimización Discriminativa Reponderada Basada en Gráficos (GRDO), y un módulo de transferencia para lograr la registración de nubes de puntos de múltiples instancias. Dados una colección de instancias a emparejar, una plantilla como nube de puntos objetivo y una instancia como nube de puntos fuente, el esquema de búsqueda selecciona una nube de puntos de la colección que se asemeje al origen. GRDO luego aprende una secuencia de regresores alineando la fuente con el objetivo, mientras que el módulo de transferencia almacena y aplica los regresores aprendidos para alinear la nube de puntos seleccionada con el objetivo y estimar la transformación de la nube de puntos seleccionada. En resumen, SGRTmreg aprovecha una secuencia compartida de regresores para registrar múltiples nubes de puntos a una nube de puntos objetivo. Realizamos extensos experimentos de registración en varios conjuntos de datos para evaluar el marco propuesto. Los resultados experimentales demuestran que SGRTmreg logra múltiples registraciones por pares con mayor precisión, robustez y estabilidad que los métodos tradicionales de registración y los de aprendizaje profundo de última generación.