3DMatch: RGB-D 재구성에서 로컬 기하학적 설명자 학습

실세계 깊이 이미지에서 국소 기하학적 특징을 일치시키는 것은 노이즈, 저해상도, 그리고 불완전한 3D 스캔 데이터의 특성 때문에 어려운 과제입니다. 이러한 난점들은 현재 최신 방법들이 주로 기하학적 속성에 대한 히스토그램을 기반으로 하기 때문에 성능을 제한합니다. 본 논문에서는 부분 3D 데이터 간의 대응 관계를 설정하기 위해 국소 볼륨 패치 설명자를 학습하는 데이터 주도 모델인 3DMatch를 제시합니다. 우리의 모델을 위한 훈련 데이터를 축적하기 위해, 우리는 기존 RGB-D 재구성에서 발견된 수백만 개의 대응 라벨을 활용하는 자기 감독 특징 학습 방법을 제안합니다. 실험 결과, 우리의 설명자는 새로운 장면에서 재구성을 위한 국소 기하학적 특징 일치뿐만 아니라 다른 작업과 공간 스케일(예: 아마존 픽킹 챌린지의 인스턴스 수준 객체 모델 정렬 및 메시 표면 대응)에도 일반화될 수 있음을 보여줍니다. 결과는 3DMatch가 다른 최신 접근법들보다 상당한 마진으로 지속적으로 우수한 성능을 발휘함을 나타냅니다. 코드, 데이터, 벤치마크, 사전 학습된 모델은 http://3dmatch.cs.princeton.edu 에서 온라인으로 제공됩니다.