[论文精读::PCR::2023::CVPR]-3D Registration with Maximal Cliques

论文十问

Q1 论文试图解决什么问题?

给定两个点云输入，点云匹配（PCR）的任务是估计两个点云之间的六自由度变换信息，具体包括三个旋转角度参数R、三个位置平移参数T。作者最主要针对的问题是，已有的基于几何的方法对于外点（outlier）率较高时效率较低，同时基于深度的方法对于训练数据域外的测试数据的性能较差。所以作者提出一种极大团修正的PCR方法。从实验的结果来看，在已有的数据集百分比提升了10个点左右。

Q2 这是否是一个新的问题?

不是。在作者之前，已经有很多的研究人员研究这一问题。这一问题本质上是非常多其他的三维任务的后处理阶段，具有非常重要的应用价值。

Q3 这篇文章要验证一个什么科学假设?

通过修正版的极大团构建策略，点云匹配的速度、性能以及噪声干扰的鲁棒性会显著提升。

Q4 有哪些相关研究? 如何归类? 谁是这一课题在领域内值得关注的研究员?

从作者的论述里面，主要分为两大类，一类是基于几何的算法，一类是基于深度的算法。其中，基于几何的算法又分为针对全局优化的策略和基于局部优化的策略（RANSAC）。研究员了解较少。

Q5 论文中提到的解决方案之关键是什么?

1、优化的极大团构建策略：基于节点引导的团选择。初始的团计算由Bron Kerbosch提出的算法获得，但获得的团的数目往往数以万计，所以作者提出依据团的权重，将原本重复的团去掉（这里有点不是很清楚，明明是节点引导的团选择，为啥说的都是节点，只有提到有的节点在多个极大团中出现的时候只保持最大的权重，可是权重不是边的吗？）。
2、作者提出两个极大团滤波操作：基于法向量方向差值和基于团排序。
3、最后，通过RANSC算法，结合SVD优化求解最优的R和T。

Q6 论文中的实验是如何设计的?

这篇文章的大部分内容是实验。首先介绍了实验设置和三个数据集（U3M、3DMatch&3DLoMatch、KITTI），Sec 4.5就是大面积的对比实验。主要包括：外点重投影、构图选择、极大团策略、节点引导的团选择、团滤波、SVD策略等等。

Q7 用于定量评估的数据集是什么? 代码有没有开源?

数据集包括基于对象尺度的U3M数据集、基于室内场景尺度的3DMatch&3DLoMatch数据集、基于室外场景尺度的KITTI数据集。代码开源了：Github。

Q8 论文中的实验及结果有没有很好地支持需要验证的科学假设?

不是很清楚其中的指标，但从作者的数据排序来看，有较明显的提升。

Q9 这篇论文到底有什么贡献?

1、PCR领域的一个极大团构建策略；
2、引发对传统策略的思考；
3、写文章不要创行点泛滥，小创新也有很大的意义；

Q10 下一步呢? 有什么工作可以继续深入?

从论述的角度来看，作者提到的优化策略中是6自由度，那是不对于一般的投影变换和尺度变化，同时包含色彩信息的模型也应该测试测试，因为大部分情况下，恢复的三维模型是没有尺度信息的，与GT测试指标的时候，配准的准确性直接影响ACC和COML指标。