摘要
从三维扫描数据或点云中提取几何特征，是配准、重建和跟踪等应用中的第一步。现有的先进方法通常需要以低层特征作为输入，或提取感受野受限的局部区域特征。在本工作中，我们提出了一种全卷积几何特征，通过一个三维全卷积网络一次性完成计算。此外，我们还引入了新型度量学习损失函数，显著提升了模型性能。全卷积几何特征具有紧凑性，能够捕捉广泛的时空上下文信息，并可扩展至大规模场景。我们在室内与室外数据集上对所提方法进行了实验验证。结果表明，该方法在无需任何预处理的情况下，即可达到当前最优的精度，特征维度仅为32维，且计算速度比现有最准确的方法快600倍。
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| 3d-feature-matching-on-3dmatch-benchmark | FCGF | Average Recall: 0.9578 |
| point-cloud-registration-on-3dlomatch-10-30 | FCGF (reported in PREDATOR) | Recall ( correspondence RMSE below 0.2): 40.1 |
| point-cloud-registration-on-3dmatch-at-least-2 | FCGF (reported in PREDATOR) | Recall ( correspondence RMSE below 0.2): 85.1 |
| point-cloud-registration-on-3dmatch-benchmark | FCGF + RANSAC | Feature Matching Recall: 85 |
| point-cloud-registration-on-3dmatch-trained | FCGF | Recall: 0.325 |
| point-cloud-registration-on-eth-trained-on | FCGF | Feature Matching Recall: 0.161 |
| point-cloud-registration-on-kitti | FCGF | Success Rate: 96.57 |
| point-cloud-registration-on-kitti-fcgf | FCGF | Recall (0.6m, 5 degrees): 98.2 |
| point-cloud-registration-on-kitti-trained-on | FCGF | Success Rate: 24.19 |
| point-cloud-registration-on-rotkitti | FCGF | RR@(1,0.1): 3.6 RR@(1.5,0.3): 11.6 |