대응의 신뢰도
점군에서 추출한 초기 대응에는 서로 다른 표면을 잘못 연결한 쌍이 섞일 수 있다. 이 방법은 대응들의 비국소 관계를 학습해 정합에 사용할 정상 대응과 제외할 이상 대응을 구별한다.
확률적인 특징 표현
네트워크는 쿼리와 키, 값의 특징에 대해 사전 분포와 사후 분포를 예측한다. 학습 중에는 정답에 의존하는 사후 분포를 활용하고 사전 분포가 이에 가까워지도록 한다.
학습과 추론의 구분
확률 그래프 모형에서 얻은 변분 하한을 학습 목적에 사용한다. 실제 추론에서는 정답 표지가 필요한 사후 분포 대신 사전 분포에서 특징을 표본화하므로, 학습용 정답을 입력할 필요가 없다.
투표에서 변환으로
투표 기반 탐색으로 품질이 높은 정상 대응 가설을 모아 변환을 구한다. 논문은 3DMatch와 3DLoMatch, KITTI에서 이를 평가했으며, 대응 분류와 최종 정합을 연결하는 구성에 초점을 맞춘다.
관련 문서
MAC 극대 클리크 정합 / GeoTransformer / 3DMatch / PREDATOR 점군 정합 / 베이즈 추론 / 변분 추론