선형 불변 임베딩을 통한 대응 학습

본 논문에서는 3D 포인트 클라우드 간의 정확한 밀도 높은 대응을 추정하기 위한 완전 미분 가능한 파이프라인을 제안합니다. 제안된 파이프라인은 함수 맵 프레임워크의 확장이며 일반화입니다. 그러나 이 영역에서 거의 모든 이전 연구들이 라플라스-벨트라미 고유함수를 사용하는 것과 달리, 우리는 데이터에서 기저를 학습함으로써 강건성을 향상시키고 도전적인 환경에서 더 나은 정확성을 얻을 수 있음을 보여줍니다. 우리는 이 기저를 더 높은 차원 공간으로의 학습된 임베딩으로 해석합니다. 함수 맵 패러다임에 따라 이 임베딩 공간에서 최적 변환은 선형이어야 하며, 우리는 최적 설명자 함수를 학습하여 변환을 추정하기 위한 별도의 아키텍처를 제안합니다. 이를 통해 기저와 설명자를 모두 데이터에서 학습하는 첫 번째 엔드투엔드 훈련 가능한 함수 맵 기반 대응 접근법을 제시합니다. 흥미롭게도, \emph{표준} 임베딩을 학습하면 결과가 더 나쁘다는 것을 관찰하였습니다. 이는 임베딩 네트워크에 추가적인 선형 자유도를 남겨두면 강건성이 더욱 증가한다는 것을 시사하며, 이로 인해 이전 방법들의 성공 이유에 대한 이해를 돕습니다. 마지막으로, 우리의 접근법이 도전적인 비강성 3D 포인트 클라우드 대응 응용 분야에서 최신 연구 결과를 달성함을 입증하였습니다.