Remettre en question la représentation universelle des modèles profonds pour l'alignement de nuages de points 3D

L’apprentissage de représentations universelles à travers différents domaines d’applications constitue un problème de recherche ouvert. En effet, la recherche d’une architecture universelle au sein du même domaine d’application, mais sur des types de données variés, reste elle aussi un problème non résolu, en particulier dans les applications impliquant le traitement de nuages de points 3D. Dans ce travail, nous testons expérimentalement plusieurs méthodes de pointe basées sur l’apprentissage pour l’alignement de nuages de points 3D par rapport à une méthode de référence non basée sur l’apprentissage, proposée ici. La méthode proposée obtient soit de meilleurs résultats, soit des performances comparables à celles des méthodes basées sur l’apprentissage. En outre, nous proposons un nouveau jeu de données sur lequel les méthodes basées sur l’apprentissage peinent à généraliser. La méthode et le jeu de données proposés, ainsi que les expériences fournies, peuvent servir de base à des recherches ultérieures visant à étudier des solutions efficaces pour les représentations universelles. Le code source est disponible à l’adresse suivante : github.com/DavidBoja/greedy-grid-search.