摘要
我们提出了一种用于将深度学习方法推广至全新、完全不同的点云数据集上的3D点云配准技术。该方法基于两个核心组件：MS-SVConv 和 UDGE。其中，MS-SVConv 采用多尺度稀疏体素卷积（Multi-Scale Sparse Voxel Convolution），是一种高效的深度神经网络，能够从点云中提取用于两场景间3D配准的特征描述子。UDGE 是一种无监督的深度网络迁移算法，可实现对未知数据集的模型迁移。当将 MS-SVConv 与 UDGE 作为整体协同使用时，该方法在真实世界点云配准数据集（如 3DMatch、ETH 和 TUM）上取得了当前最优的性能表现。相关代码已公开，地址为：https://github.com/humanpose1/MS-SVConv。