REGTR : Correspondances entre nuages de points bout-en-bout avec des Transformers

Malgré les récents progrès réalisés dans l’intégration de l’apprentissage dans le recalage des nuages de points, de nombreuses approches se concentrent sur l’apprentissage de descripteurs de caractéristiques tout en continuant à s’appuyer sur le correspondance par plus proche voisin et le filtrage d’outliers via RANSAC afin d’obtenir l’ensemble final de correspondances pour l’estimation de pose. Dans ce travail, nous supposons que les mécanismes d’attention peuvent remplacer le rôle de la correspondance explicite des caractéristiques et de RANSAC, et proposons donc un cadre end-to-end permettant de prédire directement l’ensemble final de correspondances. Nous utilisons une architecture de réseau fondée principalement sur des couches de transformateur intégrant des mécanismes d’attention auto et croisée, et l’entraînons pour prédire la probabilité qu’un point appartienne à la région de chevauchement et sa position correspondante dans l’autre nuage de points. La transformation rigide requise peut alors être estimée directement à partir des correspondances prédites, sans nécessiter de post-traitement supplémentaire. Malgré sa simplicité, notre approche atteint des performances de pointe sur les benchmarks 3DMatch et ModelNet. Le code source est disponible à l’adresse suivante : https://github.com/yewzijian/RegTR.