【论文笔记】点云配准网络 Deep Closest Point: Learning Representations for Point Cloud Registration 2019

作者：Yue Wang， Justin M. Solomon

研究机构：MIT

代码链接：代码

使用概率的方法可以得到soft的结果从而保证了可微性。

目标任务：点云配准，输入两个点云数据，寻找点云数据之间的刚性变换，输出点云之间的变换矩阵和点云的对应关系。

本文提出基于深度学习的单步（无需迭代）点云配准方法Deep Closest Point，性能SOTA，提取的点云特征在未见类别和目标上获得了很好的泛化性，以及证明了局部特征对于点云配准的促进作用。

现有方法有ICP以及其变种方法，即通过迭代优化点云对应关系和变换矩阵来得到最终的最优解。但是这种方法由于目标函数是非凸函数，倾向于陷入局部最小值，在点云初始对应距离过大时甚至会得到伪最优。加入启发式的ICP变种方法速度满，且精度没有很大提升。

此外还有基于深度学习的配准方法PointNetLK，精度也不是很高。

Deep Closest Point 分为三个部分：（输入为两个点云X，Y）

1. 点云特征提取网络，得到点云特征
2. 基于注意力的点云匹配预测，得到点云之间的预测matching
3. 可微的SVD模块，得到点云XY之间的刚性变换

下面逐个介绍：

1.特征提取网络：

输入：点云X，Y

输出：特征$F_x,F_y$

这里作者选择了PointNet和DGCNN作为特征提取器。

其中DGRCNN相比于PointNet额外编码了局部几何信息，作者认为这将有助于配准精度。

在实验阶段，作者验证了两个网络之间的性能差别，结果符合预期。

2.注意力模块

论文提出每个点云的特征不应当独立的提取，而是联合两个输入点云进行提取，使得最终得到的两个特征适用于特定的任务（即配准）。

由于求解两个点云之间的对应关系与NLP领域中的sequence-to-sequence问题很相近，作者引入了Transformer作为注意力函数$\varphi$，将注意力输出作为残差项修正原来的特征$F_x,F_y$，得到最终的特征：
$$\begin{gathered} {\Phi }_X=F_X+\varphi (F_X,F_Y) \\ {\Phi }_Y=F_Y \end{gathered}$$