摘要
点像素配准在自动驾驶和机器人感知中是一个基础且具有挑战性的任务。主要困难在于无结构的点云与结构化图像之间的模态差异，尤其是在稀疏的单帧LiDAR设置下。现有方法通常分别从点云和图像中提取特征，然后依赖手工或学习的匹配策略。这种分开的编码未能有效弥合模态差距，更关键的是，这些方法在处理单帧LiDAR的稀疏性和噪声时表现不佳，通常需要点云累积或额外的先验知识以提高可靠性。
受到最近无检测匹配范式进展的启发，我们重新审视了基于投影的方法，并引入了一种无检测框架用于LiDAR和相机视图之间的直接点像素匹配。为进一步增强匹配的可靠性，我们引入了一种重复性评分机制，作为软可见性先验。这一机制指导网络抑制在低强度变化区域的不可靠匹配，提高了在稀疏输入下的鲁棒性。在KITTI、nuScenes和MIAS-LCEC-TF70基准上的广泛实验表明，我们的方法实现了最先进的性能，尽管仅使用单帧LiDAR，仍超越了依赖于累积点云的先前方法。
博主点评： 该研究通过引入无检测框架和重复性评分机制，有效解决了点云与图像配准的模态差异问题，展现了单帧LiDAR在实际应用中的潜力，值得在自动驾驶领域进一步探索与应用。