초록
효과적인 3D 디스크립터는 크기와 회전 등의 다양한 기하학적 변환에 불변성을 가지고, 가림 현상과 복잡한 환경에 견고해야 하며, 다양한 응용 분야로의 일반화 능력을 갖추어야 합니다. 본 연구에서는 이러한 요구사항을 충족하는 간단하면서도 효과적인 방법을 제시하여, 서로 다른 영역에서 캡처된 포인트 클라우드를 등록할 수 있는 일반적이고 구별력 있는 3D 로컬 디스크립터를 학습합니다. 포인트 클라우드 패치가 추출되며, 이들의 로컬 참조 프레임에 대해 정규화되고, 입력 포인트의 순열에 불변성을 가지는 깊은 신경망을 통해 크기와 회전에 대한 불변성을 가진 압축된 디스크립터로 인코딩됩니다. 이러한 설계가 우리 디스크립터가 영역 간으로 일반화될 수 있게 합니다. 우리는 RGBD 센서와 레이저 스캐너를 모두 사용하여 재구성된 여러 실내 및 실외 데이터셋에서 우리의 디스크립터를 대체적인 수작업 및 딥러닝 기반 디스크립터들과 평가 및 비교합니다. 결과적으로, 우리의 디스크립터는 일반화 측면에서 대부분의 최근 디스크립터보다 크게 우수하며, 훈련과 테스트가 동일한 영역에서 수행되는 벤치마크에서도 최신 기술을 선도하고 있습니다.