挑战深度模型在3D点云配准中的通用表示

在不同应用领域间学习通用表征是一个开放的研究问题。事实上，在同一应用领域内，针对不同类型数据集寻找通用架构的问题仍未解决，尤其是在涉及三维点云处理的应用中尤为突出。在本研究中，我们通过实验对比了多种前沿的基于学习的三维点云配准方法与所提出的非学习基准配准方法。实验结果表明，所提出的方法在性能上要么优于，要么至少可与现有基于学习的方法相媲美。此外，我们构建了一个使基于学习的方法难以实现良好泛化的数据集。所提出的配准方法、数据集以及配套的实验设置，可为后续研究提供有效工具，以探索通用表征的高效解决方案。相关源代码已开源，地址为：github.com/DavidBoja/greedy-grid-search。