有效地找到点云之间的距离
Find a distance between point clouds efficiently
我有 2 个点云（一组 3D 点 space）和一个迭代算法。其中一朵云（我们称之为 A）在每次迭代中都是不变的，而另一朵云（称之为 B(i)）在每次迭代中都略有不同迭代（这意味着 B(i+1) 与 B(i) 仅在几个点上不同）。对于 A 中的每个点的每次迭代 i 我的算法应该从 B(i) 中找到最近的点.
我的问题是：如何以最快的方式计算这些距离？
这是我已经尝试过的方法：
- 蛮力计算（从 A 和 B(i) 计算每对点的所有距离）- 绝对低效。
- 在每次迭代中为 B(i) 构建一个 KD 树，然后从 A 中找到每个点的最近点 - 更快然后是蛮力，但计算量仍然很大（因为我应该在每次迭代时重建 KD 树）。
看来我应该利用一个事实，即 B(i) 和 B(i+1) 彼此之间仅略有不同其他，但我仍然想不出一个好的解决方案。提前谢谢你。
对于 A 中的每个点，记录在上一次迭代 B(i) 中哪个点最接近。
在第 i+1 次迭代中，列出 B 中在 i 和 i+1 之间被删除或更改的每个点，以及 B 中的每个新点。
对于 A 中的每个点：
- 如果 B 中先前最近的点没有更改或删除，那么您只需要计算从 A 到 B(i+1) 中最近的新点的距离，并检查 B 中先前最近的点(i).
- 如果 B(i) 中先前的最近点已更改或删除，则您需要计算从 A 到 B(i+1) 中任何点的最近距离
您可以使用 KD 树或您喜欢的任何空间数据结构来加快速度，但优化来自第一种情况。请注意，KD 树允许删除，因此您无需每次迭代都从头开始重建整个事物。
您还可以使用 Wasserstein 距离来测量两组点云之间的距离。在这种情况下，您认为每个点云都是从概率分布中提取的。
我有 2 个点云（一组 3D 点 space）和一个迭代算法。其中一朵云（我们称之为 A）在每次迭代中都是不变的，而另一朵云（称之为 B(i)）在每次迭代中都略有不同迭代（这意味着 B(i+1) 与 B(i) 仅在几个点上不同）。对于 A 中的每个点的每次迭代 i 我的算法应该从 B(i) 中找到最近的点.
我的问题是：如何以最快的方式计算这些距离？
这是我已经尝试过的方法：
- 蛮力计算（从 A 和 B(i) 计算每对点的所有距离）- 绝对低效。
- 在每次迭代中为 B(i) 构建一个 KD 树，然后从 A 中找到每个点的最近点 - 更快然后是蛮力，但计算量仍然很大（因为我应该在每次迭代时重建 KD 树）。
看来我应该利用一个事实，即 B(i) 和 B(i+1) 彼此之间仅略有不同其他，但我仍然想不出一个好的解决方案。提前谢谢你。
对于 A 中的每个点，记录在上一次迭代 B(i) 中哪个点最接近。
在第 i+1 次迭代中，列出 B 中在 i 和 i+1 之间被删除或更改的每个点，以及 B 中的每个新点。
对于 A 中的每个点：
- 如果 B 中先前最近的点没有更改或删除，那么您只需要计算从 A 到 B(i+1) 中最近的新点的距离，并检查 B 中先前最近的点(i).
- 如果 B(i) 中先前的最近点已更改或删除，则您需要计算从 A 到 B(i+1) 中任何点的最近距离
您可以使用 KD 树或您喜欢的任何空间数据结构来加快速度，但优化来自第一种情况。请注意，KD 树允许删除，因此您无需每次迭代都从头开始重建整个事物。
您还可以使用 Wasserstein 距离来测量两组点云之间的距离。在这种情况下，您认为每个点云都是从概率分布中提取的。