다중 스케일 아키텍처와 비지도 전이 학습을 활용한 3D 포인트 클라우드 정합

우리는 새로운 완전히 다른 데이터셋에서 3차원 포인트 클라우드 등록을 위한 딥러닝의 일반화를 위한 방법을 제안한다. 이 방법은 MS-SVConv과 UDGE라는 두 가지 구성 요소에 기반한다. 다중 스케일 스parse 복셀 컨볼루션(Multi-Scale Sparse Voxel Convolution)을 활용한 MS-SVConv은 두 장면 간의 3차원 등록을 위한 포인트 클라우드 기반의 기술적 특징(디스크립터)을 빠르게 출력하는 신속한 딥러닝 네트워크이다. UDGE는 미지의 데이터셋에 대해 비지도 방식으로 딥 네트워크를 전이하는 알고리즘이다. 제안하는 방법의 장점은 MS-SVConv과 UDGE를 함께 통합적으로 사용할 때 드러나며, 이는 3DMatch, ETH, TUM과 같은 실제 등록 데이터셋에서 최신 기술 수준(SOTA)의 성능을 달성하게 한다. 코드는 공개적으로 제공되며, https://github.com/humanpose1/MS-SVConv 에서 확인할 수 있다.