DPC : Correspondance de Points Profonde Non Supervisée par Construction Croisée et Auto-Construction

Nous présentons une nouvelle méthode pour l'établissement de correspondances denses en temps réel entre nuages de points basée sur la construction de formes structurées. Notre méthode, appelée Deep Point Correspondence (DPC), nécessite une fraction des données d'entraînement comparativement aux techniques précédentes et présente de meilleures capacités de généralisation. Jusqu'à présent, deux approches principales ont été proposées pour le problème de correspondance dense. La première est une approche spectrale qui obtient d'excellents résultats sur des jeux de données synthétiques mais nécessite la connectivité du maillage des formes et un temps de traitement d'inférence long, tout en étant instable dans les scénarios réels. La seconde est une approche spatiale qui utilise un cadre encodeur-décodeur pour régresser un nuage de points ordonné pour l'alignement correspondant à partir d'une entrée irrégulière. Malheureusement, le décodeur apporte des inconvénients considérables, car il nécessite une grande quantité de données d'entraînement et peine à bien généraliser lors d'évaluations inter-jeux de données. L'originalité de DPC réside dans l'absence d'un composant décodeur. Au lieu de cela, nous utilisons la similarité latente et les coordonnées d'entrée elles-mêmes pour construire le nuage de points et déterminer la correspondance, remplaçant ainsi la régression des coordonnées effectuée par le décodeur. De nombreuses expériences montrent que notre schéma de construction améliore les performances par rapport aux méthodes récentes d'état de l'art en matière de correspondance. Notre code est disponible au public sur https://github.com/dvirginz/DPC.