In recent years, the field of non-rigid point cloud registration has witnessed significant advancements, primarily through the adoption of state-of-the-art, learning-based strategies that revolve around the matching algorithm. However, these deep matching-based methods, which include both soft and hard variants, have been impeded by a notable challenge: the occurrence of imperfect matching. This issue largely stems from disparities in point density between the compared point clouds. To tackle this problem, our method introduces a groundbreaking approach to non-rigid point cloud registration. Our method diverges from traditional practices by simultaneously learning the shape and correspondence of point clouds in an unsupervised manner. Contrary to existing matching-based techniques that attempt to identify direct matches in the target point cloud, our strategy focuses on reconstructing the shape of the target cloud. It then innovatively generates points that align with this understood shape, ensuring a more accurate and balanced registration process. We show the effectiveness of our method through comprehensive experiments on various registration benchmarks, registration task settings, and prominent backbones, yielding unprecedented performance improvement even in the occurrence of imperfect matching.
최근 몇 년 동안 비강성 포인트 클라우드 등록 분야는 주로 매칭 알고리즘을 중심으로 하는 최첨단 학습 기반 전략을 채택함으로써 상당한 발전을 목격했습니다. 그러나 소프트 변종과 하드 변종을 모두 포함하는 이러한 심층 매칭 기반 방법은 주목할 만한 과제인 불완전한 일치의 발생으로 인해 방해를 받았습니다. 이 문제는 주로 비교된 포인트 클라우드 간의 포인트 밀도 차이에서 비롯됩니다. 이 문제를 해결하기 위해 저희 방법은 비강성 포인트 클라우드 등록에 대한 획기적인 접근 방식을 도입합니다. 저희 방법은 감독되지 않은 방식으로 포인트 클라우드의 모양과 대응을 동시에 학습함으로써 기존 관행과 다릅니다. 대상 포인트 클라우드에서 직접 일치를 식별하려는 기존 매칭 기반 기술과 달리 저희의 전략은 대상 클라우드의 모양을 재구성하는 데 중점을 둡니다. 그런 다음 이해된 모양과 일치하는 포인트를 혁신적으로 생성하여 보다 정확하고 균형 잡힌 등록 프로세스를 보장합니다. 저희는 다양한 등록 벤치마크, 등록 작업 설정 및 두드러진 백본에 대한 포괄적인 실험을 통해 저희 방법의 효과를 보여줌으로써 불완전한 일치가 발생하는 경우에도 전례 없는 성능 향상을 달성합니다.
