MAC
- 一、算法原理
- 1、原理概述
- 2、实现流程
- 3、总结
- 二、代码实现
- 三、结果展示
博客长期更新,本文最新更新时间为:2025年7月1日。
一、算法原理
1、原理概述
最大团(Maximal Cliques, MAC)法在点云配准中的应用,是近年来解决高离群值(outlier)和低重叠场景下配准问题的重要突破。点云配准的目标是估计两片点云之间的6自由度刚体变换。传统方法面临高离群值和低重叠率两大挑战。传统方法如RANSAC及其变体(如SAC-IA等)依赖随机采样,在高离群率下需大量迭代;而基于深度学习的方案(如DGR、PointDSC)需大量训练数据且泛化能力有限。
2、实现流程
MAC通过极大团约束挖掘局部一致性信息,取代传统最大团(Maximum Clique)的