SpinNet: 3D 포인트 클라우드 정렬을 위한 일반적인 표면 기술자 학습

3차원 로컬 특징을 강건하고 일반화된 방식으로 추출하는 것은 포인트 클라우드 정합 및 재구성과 같은 후속 작업에 있어 핵심적인 요소이다. 기존의 학습 기반 로컬 서술자들은 회전 변환에 취약하거나, 일반성과 표현력이 부족한 전통적인 수작업 특징에 의존하고 있다. 본 논문에서는 회전 불변성을 유지하면서도 정확한 정합을 가능하게 하는 충분한 정보를 지닌 로컬 특징을 추출하기 위해, 개념적으로 단순하지만 새로운 신경망 아키텍처인 SpinNet을 제안한다. 먼저, 입력 로컬 표면을 정교하게 설계된 원통형 공간으로 매핑하는 공간 포인트 트랜스포머(Spatial Point Transformer)를 도입하여 SO(2) 등변 표현을 갖는 엔드투엔드 최적화를 가능하게 한다. 이후, 강력한 기반 포인트 기반 및 3차원 원통형 컨볼루션 신경망 계층을 활용하는 신경망 특징 추출기(Neural Feature Extractor)를 적용하여 매칭에 적합한 컴팩트하고 대표적인 서술자를 도출한다. 실내 및 실외 데이터셋을 대상으로 수행한 광범위한 실험 결과, SpinNet은 기존 최첨단 기법들에 비해 크게 우수한 성능을 보였다. 특히, 다양한 센서 모달리티를 가진 미관측 시나리오에서도 가장 뛰어난 일반화 능력을 입증하였다. 코드는 https://github.com/QingyongHu/SpinNet 에 공개되어 있다.