SpinNet：3Dポイントクラウド登録のための汎用的な表面記述子の学習

3次元局所特徴量のロバストかつ汎用的な抽出は、点群の登録や再構成といった下流タスクにおいて極めて重要である。既存の学習ベースの局所記述子は、回転変換に対して敏感であるか、あるいは一般性も代表性も乏しい古典的手作業による特徴量に依存している。本論文では、回転不変性を保ちつつ、正確な登録を可能にする十分な情報量を持つ局所特徴量を抽出する新たな神経ネットワークアーキテクチャ、SpinNetを提案する。まず、入力の局所表面を精密に設計された円筒空間へ写像する空間点変換器（Spatial Point Transformer）を導入し、SO(2)等変性表現を用いたエンド・トゥ・エンド最適化を実現する。その後、点ベースおよび3次元円筒畳み込みニューラルネットワーク層を活用したニューラル特徴抽出器により、マッチングに適したコンパクトかつ代表的な記述子を生成する。屋内および屋外の複数データセットにおける広範な実験により、SpinNetが既存の最先端手法を大きく上回ることを示した。特に注目すべきは、異なるセンサモダリティを持つ未観測のシナリオにおいても、最も優れた一般化能力を発揮することである。コードは https://github.com/QingyongHu/SpinNet にて公開されている。