配准Geometric Transformer for Fast and Robust Point Cloud Registration（7-55CVPR-超点）

之前研究存在的问题、论文的出发点：

• 全局上下文特征对于配准很重要，Transformer被用于提取全局上下文特征，vanilla Transformer忽略了点云的几何结构，只利用高级点云特征，这使得学习到的特征在几何上不那么具有鉴别性，并诱导了许多异常值匹配
•  low inlier ratio in the putative correspondences.
• 基于位置嵌入，利用坐标信息编码是可变的，在配准过程中，输入点云位置变换会出问题。对几何信息进行编码，仅编码点对的距离和点三元组的角度。
• 现有的方法[25,36]通常将超点匹配表述为多标签分类问题，并采用双softmax[25]或最优传输的交叉熵损失[23,36]。每个超点都被赋值(分类)到其他一个或多个超点，其中地面真相是基于补丁重叠计算的，很可能一个补丁可以与多个补丁重叠。

文章的主要研究内容：

• 分层对应策略：由粗到细，利用KPConv-FPN下采样，提取逐点特征，第一个和最后一个(最粗)级别的下采样点对应于密集点和要匹配的超点。
• 利用Geometric Transformer ，不仅使用高级点云特征，还捕捉点云内部结构与几何一致性。得到混合特征。
• 点云的一些补丁在几何上不那么具有鉴别性，在其他点云中有许多相似的补丁。除了我们强大的混合特征外，我们还在混合特征的高斯相关矩阵 上执行双归一化操作 [22,25] 以进一步抑制模糊匹配----有效抑制错误匹配
• 选择以度量学习