이 논문은 포인트 클라우드 등록 문제를 해결하기 위한 강력한 기준선을 제시한다. 기존 접근법은 슈퍼포인트 간 특징 표현을 먼저 매칭하고, 이후 RANSAC과 같은 사후 처리 기법을 사용하여 이상치를 제거한다. 또 다른 접근법은 학습된 MLP 레이어를 사용하여 슈퍼포인트 매칭을 직접 예측하지만, 이는 실제 포인트 클라우드에 존재하지 않는 점을 예측할 수 있다는 문제가 있다.
본 연구에서는 슈퍼포인트를 직접 매칭하는 간단하고 효과적인 기준선을 제안한다. 정규화된 매칭 점수를 가중치로 사용하여 이상치를 제거하고, 나머지 내부자 매칭을 가중치에 따라 변환 행렬 추정에 활용한다. 이를 통해 복잡한 사후 처리 없이도 강력한 등록 성능을 달성할 수 있다. 또한 전체 모델을 end-to-end로 학습할 수 있어 더 나은 정확도를 얻을 수 있다.
제안 방식은 ModelNet, 3DMatch, KITTI 데이터셋에서 기존 최신 방법과 비교해 볼 때 동등하거나 더 나은 결과를 보여준다. 이를 통해 포인트 클라우드 등록에서 매칭 전략의 중요성을 강조한다.
In un'altra lingua
dal contenuto originale
arxiv.org
Approfondimenti chiave tratti da
by Aniket Gupta... alle arxiv.org 03-29-2024
https://arxiv.org/pdf/2307.01362.pdfDomande più approfondite