GeoTransformer的Coarse matching loss

    # 先知道，左边点云和右边点云哪些点是有必要统计损失的，
    # 换句话说，拿到所有匹配对中的点，不在匹配对中的点，不算损失。
    # 因为有的点 压根不在匹配对里，那这种点的特征就没必要算损失了。
    row_masks = (torch.gt(pos_masks.sum(-1), 0) & torch.gt(neg_masks.sum(-1), 0)).detach()
    col_masks = (torch.gt(pos_masks.sum(-2), 0) & torch.gt(neg_masks.sum(-2), 0)).detach()
	
	# 这里是计算妙用，没什么高级的操作
	# 目的就是，为所有GT的匹配对，构建权重，权重是（特征相似度 - 0.1）
    pos_weights = feat_dists - 1e5 * (~pos_masks).float()  # mask the non-positive
    pos_weights = pos_weights - pos_optimal  # mask the uninformative positive
    pos_weights = torch.maximum(torch.zeros_like(pos_weights), pos_weights)
    # 把overlap的信息利用进来，
    # 如果你这一对，overlap很大很大，那必须给你一个大的权重，因为你很重要，importance很大
    if pos_scales is not None:
        pos_weights = pos_weights * pos_scales
    pos_weights = pos_weights.detach()
	
	# 为所有非GT的匹配对，构建权重！ 注意！
	# 这种非GT的匹配对显然是很多很多的。
	# 但是有的，一整行其实都不会参与最后的损失计算，例如第156行，如果第156个点，不是在匹配对里，那这一行的数值都没什么用了。
    neg_weights = feat_dists + 1e5 * (~neg_masks).float()  # mask the non-negative
    neg_weights = neg_optimal - neg_weights  # mask the uninformative negative
    neg_weights = torch.maximum(torch.zeros_like(neg_weights), neg_weights)
    # 这里跳过
    if neg_scales is not None:
        neg_weights = neg_weights * neg_scales
    neg_weights = neg_weights.detach()
	# log_scale 是常数，(feat_dists - pos_margin) 是优化目标，即希望feats_dist接近pos_margin
	# 别忘了我们的 pos_weights, 这是经由 overlap的大小+ 特征相似性得到的。
    loss_pos_row = torch.logsumexp(log_scale * (feat_dists - pos_margin) * pos_weights, dim=-1)
    loss_pos_col = torch.logsumexp(log_scale * (feat_dists - pos_margin) * pos_weights, dim=-2)

    loss_neg_row = torch.logsumexp(log_scale * (neg_margin - feat_dists) * neg_weights, dim=-1)
    loss_neg_col = torch.logsumexp(log_scale * (neg_margin - feat_dists) * neg_weights, dim=-2)

    loss_row = F.softplus(loss_pos_row + loss_neg_row) / log_scale
    loss_col = F.softplus(loss_pos_col + loss_neg_col) / log_scale
	# 我们只取出 在匹配对中的行和列。
    loss = (loss_row[row_masks].mean() + loss_col[col_masks].mean()) / 2

    return loss