论文作者 | Karim Slimani1, Brahim Tamadazte1, Catherine Achard

论文来源 | CVPR2023

文章解读 | William | 来源：深蓝AI

一、摘要

本文介绍了一种基于深度学习的三维点云配准新方法。该架构由三个部分组成:

(1)编码器由基于卷积图的描述符组成，该描述符对每个点的近邻进行编码，并采用注意机制对表面法线的变化进行编码，突出同一集合的点之间以及两个集合的点之间的注意力；

(2)使用Sinkhorn算法估计对应矩阵的匹配过程；

(3)通过对应矩阵中的最佳分数Kc，利用RANSAC计算两个点云之间的刚性变换。

最后，在ModelNet40数据集上进行实验，提出的架构在大多数模拟配置中优于最先进的方法，包括部分重叠和高斯噪声的数据增强。

二、网络结构

提出的RoCNet网络结构如图1所示，主要包含三个部分：1)由卷积图网络组成的描述符算子，进行编码每个点的近邻和一个编码表面法线变化的注意机制；2) 使用Sinkhorn算法估计对应矩阵的匹配模块；3) 利用RANSAC模块中Kc来计算刚性变换，得到最佳匹配结果

图1 网络结构

三、方法

3.1 点云描述子

定义点云X和点云Y，存在部分重叠，故至少存在K(K