초록
최근 포인트 클라우드 등록에 학습 기반 기법을 도입하는 데 성공을 거두었음에도 불구하고, 많은 연구들은 특징 기술자(feature descriptors) 학습에 집중하며, 최종적인 대응 관계(correspondences)를 추정하기 위해 여전히 최근접 이웃 기반의 특징 매칭과 RANSAC을 통한 이상치 필터링에 의존하고 있다. 본 연구에서는 주목성(attention) 메커니즘이 명시적인 특징 매칭과 RANSAC의 역할을 대체할 수 있을 것이라 추정하고, 최종 대응 관계를 직접 예측할 수 있는 엔드 투 엔드 프레임워크를 제안한다. 제안하는 방법은 주로 자기 주목성(self-attention)과 크로스 주목성(cross-attention)을 포함하는 트랜스포머(Transformer) 레이어로 구성된 네트워크 아키텍처를 사용하며, 각 포인트가 겹치는 영역에 속할 확률과 다른 포인트 클라우드 내에서의 대응 위치를 예측하도록 훈련한다. 이를 통해 추가적인 후처리 없이 예측된 대응 관계로부터 직접 강체 변환(rigid transformation)을 추정할 수 있다. 단순한 구조임에도 불구하고, 본 방법은 3DMatch 및 ModelNet 벤치마크에서 최신 기준(SOTA) 성능을 달성하였다. 관련 소스 코드는 다음 링크에서 확인할 수 있다: https://github.com/yewzijian/RegTR.