3D-Punktwolken-Registrierung mit Multi-Scale-Architektur und unsupervisierter Transfer-Learning

Wir stellen eine Methode zur Generalisierung von Deep-Learning-Verfahren für die 3D-Punktwolken-Registerung auf neue, vollständig unterschiedliche Datensätze vor. Sie basiert auf zwei Komponenten: MS-SVConv und UDGE. MS-SVConv, ein schnelles tiefes neuronales Netzwerk, nutzt die Multi-Scale Sparse Voxel Convolution, um aus Punktwolken Deskriptoren für die 3D-Registerung zwischen zwei Szenen zu generieren. UDGE ist ein Algorithmus zur unsupervisierten Übertragung tiefer Netzwerke auf unbekannte Datensätze. Der Vorteil der vorgeschlagenen Methode zeigt sich besonders, wenn die beiden Komponenten MS-SVConv und UDGE zusammen als integriertes System eingesetzt werden, was state-of-the-art-Ergebnisse auf realen Registerungs-Datensätzen wie 3DMatch, ETH und TUM ermöglicht. Der Quellcode ist öffentlich unter https://github.com/humanpose1/MS-SVConv verfügbar.