Robust Point Cloud Registration Framework Based on Deep Graph Matching (RGM) 简略分析

RGM使用DGCNN先抽象提取出局部特征，点云$x,y$的特征分别对应于${\mathcal{F}}_{\mathbf{X}},{\mathcal{F}}_{\mathbf{Y}}$随后使用Transformer来交互两帧点云间的特征信息，分别生成${\mathcal{T}}_{\mathbf{X}},{\mathcal{T}}_{\mathbf{Y}}$，随后用交互后的特征${\mathcal{T}}_{\mathbf{X}},{\mathcal{T}}_{\mathbf{Y}}$的Cosine相似性度量生成图的软邻接矩阵$\begin{array}{l}{\mathbf{E}}_{\mathbf{X}}=\mathrm{softmax}\left(⟨{\left({\mathcal{T}}_{\mathbf{X}}\right)}^T,{\mathcal{T}}_{\mathbf{X}}⟩\right)\\ {\mathbf{E}}_{\mathbf{Y}}=\mathrm{softmax}\left(⟨{\left({\mathcal{T}}_{\mathbf{Y}}\right)}^T,{\mathcal{T}}_{\mathbf{Y}}⟩\right)\end{array}$。用来生成图。至此借鉴DCP的架构结束，两个点云分别建立了自己的图${\mathcal{G}}_s$与${\mathcal{G}}_t$。

下一步，通过建立的图，进行图内卷积,${\mathcal{F}}_{x_i}^{corr}={\sum }_{j=1}^N{\breve{\mathbf{E}}}_{i,j}\ast f_{adj}\left({\mathcal{F}}_{x_j}\right)+f_{\text{self }}\left({\mathcal{F}}_{x_i}\right)$。图内卷积结束之后，再通过AIS Module，(Affinity, Instance Norm, Sinkhorn)，生成x与y之间的soft 对应关系。

不断迭代送入进行图内卷积，其中在倒数第二次迭代时（在论文里没有体现，代码中体现），使用算得的软匹配关系${\tilde{\mathbf{C}}}_{i,j}$进行图间卷积${\mathcal{F}}_{x_i}^{\prime }=f_{\text{cross }}\left({\mathcal{F}}_{x_i}^{\text{corr }},{\sum }_{j=1}^{\mathrm{M}}{\tilde{\mathbf{C}}}_{i,j}\ast {\mathcal{F}}_{y_j}^{\text{corr }}\right)$ 增强交互两者之间的信息。

这个网络存在着很大的问题。AIS Module 尤其是Sinkhorn（即对正矩阵交替应用行列正则化，可以得到一个双随机矩阵）的应用其实在图匹配中已经非常常见。而且网络结构其实并不优美，没有说为什么只有在倒数第二层用Cross-Graph Conv。其成功的很大因素在于Loss函数太过取巧。没有直接使用真值R，t作为Label进行Loss计算，而是用每个点的点对对应关系用交叉熵损失函数进行训练。

这会使得在Clean的人造数据集ModelNet40上，它的效果特别好，但完全无法应用于真实场景，且泛化能力很差。应用于高斯噪声的ModelNet40上时，它就已经需要重新进行训练，而且要通过手工方式获取高斯噪声下的对应关系真值Label。对于只有R，t的扫描场景，基本无法完成任务。