초록
우리는 PPFNet - 무질서한 포인트 클라우드에서 대응점을 찾기 위한 전역 정보를 고려한 3D 로컬 피처 디스크립터를 깊게 학습하기 위한 포인트 쌍 특징 네트워크(Point Pair Feature NETwork)를 제시합니다. PPFNet은 순수한 기하학적 구조에서 로컬 디스크립터를 학습하며, 딥 러닝에서 중요한 힌트인 전역 컨텍스트에 매우 민감합니다. 우리의 3D 표현은 로컬 근방 내의 포인트와 법선을 결합한 포인트 쌍 특징들의 집합으로 계산됩니다. 우리의 순열 불변성(permutation invariant) 네트워크 설계는 PointNet에서 영감을 받았으며, PPFNet이 순서에 자유롭다는 점을 설정합니다. 복셀화(voxelization)와 달리, 우리의 방법은 전체적인 희소성을 활용할 수 있는 원시 포인트 클라우드를 직접 처리할 수 있습니다. PPFNet은 새로운 $\textit{N-tuple}$ 손실 함수와 아키텍처를 사용하여 전역 정보를 자연스럽게 로컬 디스크립터에 주입합니다. 이는 컨텍스트 인식이 로컬 피처 표현을 강화한다는 것을 보여줍니다. 우리 네트워크의 정성적 및 정량적 평가는 회상율 증가, 견고성 개선 및 변형 불변성을 향상시키며, 3D 디스크립터 추출 성능에서 중요한 단계임을 시사합니다.