한 번만 가정하면 된다: 회전 등변 기술자를 이용한 포인트 클라우드 정합

본 논문에서는 두 개의 정렬되지 않은 포인트 클라우드 간의 등록을 위한 새로운 로컬 디스크립터 기반 프레임워크인 You Only Hypothesize Once (YOHO)를 제안한다. 기존의 대부분의 로컬 디스크립터는 회전 불변성을 확보하기 위해 취약한 국소 기준 좌표계에 의존하지만, 본 연구에서 제안하는 디스크립터는 그룹 등변 특징 학습 기술을 활용하여 회전 불변성을 달성함으로써 포인트 밀도 및 노이즈에 대해 더욱 강건한 성능을 제공한다. 한편 YOHO의 디스크립터는 회전 등변성 특성을 갖는 부분을 동시에 포함하고 있어, 단 하나의 대응 가설로부터 등록을 추정할 수 있다. 이 성질은 타당한 변환에 대한 탐색 공간을 크게 축소시킴으로써 YOHO의 정확도와 효율성을 크게 향상시킨다. 광범위한 실험 결과에 따르면, YOHO는 3DMatch/3DLoMatch 데이터셋, ETH 데이터셋, WHU-TLS 데이터셋을 포함한 네 가지 널리 사용되는 데이터셋에서 훨씬 적은 RANSAC 반복 횟수로 우수한 성능을 달성한다. 자세한 내용은 프로젝트 페이지에서 확인할 수 있다: https://hpwang-whu.github.io/YOHO/.