EYOCは、新しいデータ分布に適応し、教師なしで遠隔ポイントクラウドを正確に登録する方法を提案します。
深層ニューラルネットワークにより、ダウンサンプリングされたスーパーポイントに高い識別力のある特徴表現が与えられる。従来の主要なポイントクラウド登録アプローチでは、まずこれらの特徴表現を照合し、その後RANSACのようなアプローチでアウトライアを除去する。別の主要な手法は、学習されたMLPレイヤーを使ってスーパーポイントの対応を直接予測する。両者にはそれぞれ欠点がある。RANSAC ベースの手法は計算コストが高く、予測ベースの手法は点群に存在しない点を出力してしまう。本論文では、スーパーポイントの対応を直接的にグローバルにマッチングする簡潔で効果的なベースラインを提案する。正規化されたマッチングスコアを対応の重みとして使うことで、RANSAC に頼ることなくアウトライアを除去し、残りの内部点の重みづけを行うことができる。さらに、全体のモデルをエンドツーエンドで学習できるため、より高い精度が得られる。
本論文は、深層学習に基づくポイントクラウド登録アルゴリズムの包括的なサーベイとタクソノミーを提供する。監視付きと非監視付きの2つのカテゴリに分類し、各カテゴリの主要な技術的貢献を詳細に分析する。さらに、データセットと評価指標の分類、および将来の研究課題の特定も行う。