Core Concepts
제안된 TANet은 템플릿 생성 모듈과 템플릿 보조 모듈을 통해 포인트 클라우드 간 정확한 대응을 달성합니다.
Abstract
본 논문은 무감독 포인트 클라우드 형상 대응 문제를 다룹니다. 기존 방법들은 포인트 클라우드 간 특징 유사도를 직접 계산하여 대응을 찾지만, 비정형 물체의 경우 이러한 접근이 부족합니다.
제안된 TANet은 템플릿 생성 모듈과 템플릿 보조 모듈로 구성됩니다. 템플릿 생성 모듈은 학습 가능한 템플릿 집합과 공간 정렬기를 통해 명시적인 템플릿 구조를 생성합니다. 템플릿 보조 모듈은 적응형 선택기로 적절한 템플릿을 선택하고, 상관관계 융합과 전이적 일관성을 통해 포인트 특징을 개선합니다.
실험 결과, TANet은 TOSCA와 SHREC'19 벤치마크에서 최신 기술을 능가하는 성능을 보였으며, SMAL과 SURREAL 데이터셋에서도 우수한 일반화 능력을 입증했습니다.
Stats
230,000개의 SURREAL 데이터셋 학습 모양에서 2,000개의 모양 쌍을 무작위로 추출하여 학습에 사용했습니다.
SMAL 데이터셋에는 매개변수화된 동물 모델이 포함되어 있으며, 이를 활용하여 형상 대응 모델을 학습했습니다.
Quotes
"기존 방법들은 포인트 클라우드 간 특징 유사도를 직접 계산하여 대응을 찾지만, 비정형 물체의 경우 이러한 접근이 부족합니다."
"제안된 TANet은 템플릿 생성 모듈과 템플릿 보조 모듈로 구성되어, 명시적인 템플릿 구조를 생성하고 적절한 템플릿을 선택하여 포인트 특징을 개선합니다."