Main Idea
目的:本文的目标是end-to-end的regression出point cloud pair之间的相对6D pose。
思路: Point cloud可以由两部分的信息来描述:
- structure(点云的分布,相对位置之类的)
- 相对世界坐标系的pose(旋转+位移)
若已经确定是positive pair的两个point cloud,structure是可以看成近似相等,那么两者的信息差就可以反映出两者的pose之差,即相对pose。
…
Structure
Loss
loss function 由三个loss组成。如上两个图中所示
- Chamber loss
这个是很自然的,FoldingNet首先要能够很好的encoder才可以 - Pose prediction loss
这个更intuition,regress pose当然要用GT-pose来监督 - Feature consistency loss
这个是说,两个patch在PPF-FoldingNet得出旋转不变的信息应该越接近越好。因为PPF-FoldingNet得出的信息只有structure信息,确认是配对的两个patch自然是必须非常相似。而PC-FoldingNet含有旋转信息,这会导致两个patch输出结果不同,所以不强求。
pose选择
因为一个fragment有好几个patch pair所以会输出好几个pose,在这n个pose中进行verify然后输出,具体怎么verify?