D3Feat: 3D 로컬 특징의 밀도 높은 탐지 및 기술의 공동 학습

성공적인 포인트 클라우드 등록은 구분 가능한 3차원 국소 특징을 통해 극히 희소한 매칭을 안정적으로 구축하는 데 달려 있다. 학습 기반 3차원 특징 서술자(Descriptor)의 급속한 발전에도 불구하고, 3차원 특징 탐지기(Feature Detector)의 학습에 대한 관심은 여전히 미미하며, 두 작업을 함께 학습하는 연구는 더욱 드물다. 본 논문에서는 3차원 포인트 클라우드에 적합한 3차원 전결합 신경망(3D Fully Convolutional Network)을 활용하여, 각 3차원 포인트에 대해 탐지 점수와 특징 서술자를 밀집적으로 예측하는 새로운 실용적인 학습 메커니즘을 제안한다. 특히, 3차원 포인트 클라우드의 본질적인 밀도 변동 문제를 해결하는 키포인트 선택 전략을 제안하며, 학습 중 실시간으로 생성되는 특징 매칭 결과를 기반으로 한 자기지도 학습(self-supervised) 탐지기 손실 함수를 추가로 제안한다. 최종적으로, 본 방법은 3DMatch 및 KITTI 데이터셋을 기반으로 실내 및 실외 환경에서 모두 최신 기술 수준(SOTA)의 성능을 달성하였으며, ETH 데이터셋에서의 강력한 일반화 능력도 입증하였다. 실용적 적용을 위해, 신뢰할 수 있는 특징 탐지기를 도입할 경우, 적은 수의 특징을 샘플링하는 것만으로도 정확하고 빠른 포인트 클라우드 정합이 가능함을 보여준다. [코드 공개] (https://github.com/XuyangBai/D3Feat)