摘要
我们提出了一种名为3DSmoothNet的全流程方法，用于通过基于孪生网络的深度学习架构和全卷积层来匹配三维点云，该方法使用体素化的平滑密度值（Smoothed Density Value, SDV）表示。SDV在每个兴趣点处计算，并对齐到局部参考帧（Local Reference Frame, LRF），以实现旋转不变性。我们的紧凑型、学习型、旋转不变的三维点云描述符在3DMatch基准数据集上达到了94.9%的平均召回率，仅用32个输出维度就超过了现有最先进方法超过20个百分点。这一极低的输出维度使得在标准PC上每特征点只需0.1毫秒即可实现近乎实时的对应搜索。由于采用了SDV、LRF以及通过全卷积层学习高度描述性的特征，我们的方法具有传感器和场景无关性。实验结果表明，仅在建筑物室内RGB-D场景上训练的3DSmoothNet在室外植被激光扫描上的平均召回率为79.0%，比最接近的学习型竞争对手高出一倍多。代码、数据和预训练模型可在https://github.com/zgojcic/3DSmoothNet在线获取。