要約
本稿では、初期アライメントを必要とせずに点群を登録できるようにする、特徴的な3次元局所的深層記述子（DIPs）を学習するシンプルながら効果的な手法を提案する。点群の局所的なパッチを抽出し、推定された局所基準座標系に基づいて正規化した後、PointNetをベースとする深層ニューラルネットワークにより、回転不変性を持つコンパクトな記述子に符号化する。DIPsは、局所的かつランダムにサンプリングされた点群からエンドツーエンドで学習されるため、異なるセンサモダリティ間で良好な汎化性能を発揮する。また、DIPsは局所的な幾何情報のみを符号化するため、雑多な背景や遮蔽、欠損領域に対して高いロバスト性を持つ。我々は、異なるセンサによって再構成された複数の屋内および屋外データセット上で、DIPsを他の手作業設計された記述子および深層記述子と比較評価した。実験結果から、DIPsは（i）RGB-D屋内シーン（3DMatchデータセット）において最新技術と同等の性能を達成し、（ii）レーザースキャナによる屋外シーン（ETHデータセット）では最新技術を大きく上回り、（iii）Android ARCoreのVisual-SLAMシステムにより再構成された屋内シーンにも汎化可能であることが示された。ソースコード：https://github.com/fabiopoiesi/dip