SpinNet : Apprentissage d’un descripteur de surface généralisé pour l’alignement de nuages de points 3D

L’extraction de caractéristiques locales 3D robustes et généralisables est essentielle pour des tâches ultérieures telles que l’alignement (registration) et la reconstruction de nuages de points. Les descripteurs locaux basés sur l’apprentissage existants sont soit sensibles aux transformations de rotation, soit fondés sur des caractéristiques classiques manuellement conçues, qui manquent à la fois de généralisation et de représentativité. Dans cet article, nous proposons une nouvelle architecture neuronale, simple en concept mais efficace, appelée SpinNet, permettant d’extraire des caractéristiques locales invariantes par rotation tout en étant suffisamment informatives pour garantir un alignement précis. Un Transformateur de Points Spatiaux est d’abord introduit afin de mapper la surface locale d’entrée dans un espace cylindrique soigneusement conçu, permettant une optimisation end-to-end avec une représentation équivariante par rapport à SO(2). Un Extracteur de Caractéristiques Neurales, exploitant des couches puissantes de réseaux de neurones convolutifs basés sur les points et en dimension 3 cylindriques, est ensuite utilisé pour extraire un descripteur compact et représentatif, adapté au matching. Des expériences étendues sur des jeux de données intérieurs et extérieurs démontrent que SpinNet surpasse largement les techniques de pointe actuelles. Plus important encore, elle présente la meilleure capacité de généralisation sur des scénarios inédits, y compris avec des modalités de capteurs différentes. Le code est disponible à l’adresse suivante : https://github.com/QingyongHu/SpinNet.