점 집합에서 확률 분포로
정합 문제를 가우시안 혼합으로 나타낸 두 확률 분포의 차이를 줄이는 문제로 정식화한다. KL 발산을 이용해 분포 사이의 정렬 목적을 표현한다.
자세 불변 대응
신경망은 원시 점군과 혼합 모형의 매개변수 사이에서 자세 변화에 불변인 대응을 추출한다. 점의 좌표 변화와 공통 구조의 표현을 분리하려는 설계다.
미분 가능한 변환 계산
대응시킨 혼합 모형의 매개변수에서 변환을 복원하는 두 미분 가능 계산 블록을 사용한다. 이러한 연결을 통해 특징 공간과 정렬 변환의 계산을 함께 학습한다.
기하와 학습의 비교
논문은 합성 자료와 실제 관측 자료에서 기존 기하 기반 및 학습 기반 정합과 비교했다. 확률 분포 표현을 정합의 중심에 놓는다는 점이 특징 기술자 매칭 위주의 방법과 구별된다.
관련 문서
DGR 삼차원 정합 / DCP 점군 정합 / RPM-Net 점군 정합 / 기하 정합 / 가우시안 혼합 모형 / 쿨백 라이블러 발산