论文阅读：The Perfect Match: 3D Point Cloud Matching with Smoothed Densities

摘要

本文提出3DSmoothNet，使用十分相似的深度学习架构和全卷积层，使用体素平滑密度值（SDV）表示。后者被计算于感兴趣的点和排列成局部参考帧（LRF）以实现旋转不变性。

94.9%的召回率在3DMatch基准数据集上。输出仅32维度，这么低的维度输出允许在标准PC上以0.1ms每个点的速度搜索。因为SVD和LRF和用全卷积学习的高质量的描述特征，我们的方法是传感器和场景不固定的。

介绍

两类配准：基于描述子和基于几何特征。描述子：手工设置用直方图描述邻居，或局部表面标准。

很多3D特征学习网络既不是旋转不变的，而且需要非常大的输出维度才能成功，或者很难泛化到新的领域。

本文的特点：有低的输出维度（16或32），高描述子，泛化能力强，旋转不变性。

SDV降低了输入体素网格的稀疏性，能在向后传播中获得更好的梯度,同时降低边界的影响as well as smoothing out small miss-alignments due to errors in the estimation of the local reference frame (LRF)

本质不变特征：point pair features

pointnet和pointnet++是一种框架的先驱，他们展示了一个变换不变性的网络，但是他们在提取几何信息上并不令人满意，因为他们无法使用卷基层在网络中。

PPF用Pointnet但是非旋转不变性，PPF-foldnet解决了旋转不变性。

本文将两个点云建立关系如下：

如果Q和P匹配成功，那么K就为1，公式中有三个未知量，采用映射到高维的办法可以解出K，从而解出变换矩阵。