要約
私たちは、非構造化ポイントクラウド内の一点を中心とした局所幾何学を表現する特徴量の学習手法を提案します。このような特徴量は、幾何学的な登録において中心的な役割を果たし、ロボティクスや3Dビジョンにおける多様な応用を支えています。現在の最先端の非構造化ポイントクラウドの局所特徴量は手動で設計されており、精度、コンパクトさ、堅牢性という望ましい特性を全て兼ね備えたものは存在しません。私たちは、これらの特性を持つ特徴量がデータから学習できることを示します。具体的には、高次元ヒストグラムを低次元ユークリッド空間に射影する深層ネットワークの最適化を通じて、このような特徴量を学習することが可能です。本手法により得られる特徴量群は次元によってパラメータ化され、既存の記述子よりもコンパクトかつ正確であることが確認されています。