3D Local Features for Direct Pairwise Registration论文阅读

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？