D3Feat: Aprendizaje Conjunto de Detección Densa y Descripción de Características Locales 3D

Un registro exitoso de nubes de puntos a menudo se basa en el establecimiento robusto de coincidencias escasas a través de características locales 3D discriminativas. A pesar de la rápida evolución de los descriptores de características 3D basados en aprendizaje, se ha prestado poca atención al aprendizaje de detectores de características 3D, e incluso menos al aprendizaje conjunto de ambas tareas. En este trabajo, aprovechamos una red completamente convolucional 3D para nubes de puntos 3D, y proponemos un mecanismo de aprendizaje novedoso y práctico que predice densamente tanto una puntuación de detección como una característica de descripción para cada punto 3D. En particular, proponemos una estrategia de selección de puntos clave que supera las variaciones de densidad inherentes de las nubes de puntos 3D, y además proponemos una pérdida de detector auto-supervisada guiada por los resultados de coincidencia de características en tiempo real durante el entrenamiento. Finalmente, nuestro método logra resultados de vanguardia tanto en escenarios interiores como exteriores, evaluados en los conjuntos de datos 3DMatch y KITTI, y muestra su fuerte capacidad de generalización en el conjunto de datos ETH. Hacia un uso práctico, mostramos que al adoptar un detector de características fiable, muestrear un número menor de características es suficiente para lograr una alineación precisa y rápida de la nube de puntos.