초록
우리는 초기 정렬 없이도 포인트 클라우드를 등록할 수 있도록 하는 특징적인 3D 국소 딥 디스크립터(DIPs)를 학습하기 위한 간단하면서도 효과적인 방법을 제안한다. 포인트 클라우드 패치는 추출되며, 추정된 국소 기준 좌표계에 따라 표준화된 후, PointNet 기반의 딥 신경망을 통해 회전 불변성과 고밀도 특징을 갖는 디스크립터로 인코딩된다. DIPs는 국소적으로 무작위로 샘플링된 점들로부터 엔드투엔드로 학습되므로, 다양한 센서 모달리티 간에 효과적으로 일반화될 수 있다. DIPs는 오직 국소 기하학적 정보만을 인코딩하므로, 혼잡한 환경, 가림, 또는 부족한 영역에 대해 강건하다. 우리는 여러 실내 및 실외 데이터셋에서 다양한 센서로 재구성된 포인트 클라우드를 대상으로 DIPs를 다른 수작업 디스크립터 및 딥 디스크립터와 비교 평가하였다. 결과적으로 DIPs는 (i) RGB-D 실내 장면(3DMatch 데이터셋)에서 최첨단 기술과 비슷한 성능을 달성하며, (ii) 레이저 스캐너를 이용한 실외 장면(ETH 데이터셋)에서는 최첨단 기술을 크게 앞서며, (iii) Android ARCore의 비전 기반 SLAM 시스템으로 재구성된 실내 장면에도 일반화됨을 보였다. 소스 코드: https://github.com/fabiopoiesi/dip