论文:3DFeat-Net: Weakly Supervised Local 3D Features for Point Cloud Registration

一、概述：
本文来在弱监督的条件下，通过学习的方式得到三维特征探测器和描述器，进行点云匹配。突出点在于:
（1）探测器和描述器都是通过学习的方式得到，不需要进行人工标注。
（2）注意力机制用来调整每个描述器的贡献度，体现每个输入点作为显著点的可能性。

二、相关工作：
（1）因为在点云中进行细致的点对点的标注太难，所以很多的方法都是值学习描述器，而探测器交给随机采样；
（2）部分人工3D描述器，表现不佳；
（3）介绍了部分2D的深度学习描述器，介绍了一些2D关键点探测器的探测方法，其中的一个工作启发了本文的注意力机制；
（4）介绍一些深度学习在3D配准下的应用，其中涉及到 1）人工探测器+深度描述器 ；或者 2）深度探测器+人工描述器。启发了本文的深度学习的探测器+深度学习的描述器。

三、主体内容

先进行采样，得到点云的部分点，然后以其为中心进行聚类。输入这些聚类到网络中，主要有两个部分，探测器和描述器。
探测器有两个作用：
（1）得到这个聚类的权重；
（2）输出这个聚类的空间调整参数；
空间调整参数用于调整各个聚类的空间位置，消除不同位置为后续的相似性带来的干扰。
随后到达描述器部分，这个部分的作用是提取各个聚类的深度特征，用于比较其相似性。由于A点云的任一聚类都有可能和B点云中的任一聚类相匹配，所以需要求得一个相似矩阵。从某一个点云出发，例如A点云，它的每一个聚类都会在B点云中存在一个最相似聚类，也就是深度特征最接近的聚类，对应关系就如此确定下来。前一步探测器得到的聚类的权重在此就用上了。该权重反映对应聚类的显著程度，也就是这个点是不是关键的点。越是关键的点，它的相似性就越有说服力，对后来我们判断这两个点云是否匹配就越有贡献度（比如一个角点肯定比平坦点更加有贡献度）。
最终两个点云的距离为：

最终距离用在损失函数里，它要能够符合预期：越匹配的点云距离越近，反之越远。

实验略过。