The Perfect Match阅读笔记：平滑密度的3D点云拼接

目的

• 不同点云片片之间的拼接

大致过程

1. 对每个interest point构建小邻域。
2. 在这个邻域内生成局部标架（LRF, Local Reference Frame）做对齐。此步骤使用了协方差矩阵特征分解的方法。此步骤保证了旋转不变性。
3. 将小邻域放入一个32*32*32的voxel中，其中点云中的每个点都按高斯分布影响着邻近的voxel。此步骤的方法是平滑密度体素化（SDV, Smoothed Density Value Voxelization）。
4. 对32*32*32的体素网格做卷积，生成特征。
5. 训练时，选出有重叠的区域，找到对应邻近的interest point，作为正样本，其他样本作为负样本。优化的对象就是正样本的特征尽可能接近，负样本的特征尽可能远离（按2范数）。

疑问

• 对于立方体，可能没有唯一的特征向量（每个对角线都可以），旋转不变性会不会误以为同一个立方体是不同的？
• 一些物体形状本身相似，但因旋转我们知道它们是不同的（如6和9），旋转不变性会不会误以为不同物体是相同的？
• interest point匹配了以后，我们要如何拼接？因为interest point有可能出现少量的匹配失误，这部分要如何丢弃掉？通过优化吗？

相关的思考

• 特征的旋转不变性当然好，但对于特征恢复，是不是会有问题？既然具有不变性，相当于在全局中的旋转信息被丢弃了，这样肯定恢复不出来了。
• 感觉GeoNet的思想在这里也是有提高的。

参考文献

Gojcic, Zan, et al. “The Perfect Match: 3D Point Cloud Matching with Smoothed Densities.” arXiv preprint arXiv:1811.06879 (2018).